2020年2月17日笔记--记录下每天学习的内容

车辆行人重识别

---

数据集介绍：VeRi-776数据集和VehicleID数据集。

代码：
1、https://github.com/knwng/awesome-vehicle-re-identification
collection of dataset&paper&code on Vehicle Re-Identification
2、https://github.com/Jakel21/vehicle-ReID-baseline
resnet50+cross entropy loss+triplet loss
3、https://github.com/Zhongdao/VehicleReIDKeyPointData
车辆关键点 Orientation Invariant Feature Embedding and Spatial Temporal Regularization for Vehicle Re-identification
4、https://github.com/CaptainEven/RepNet-MDNet-VehicleReID
车辆细粒度的识别
5、https://github.com/yanbai1993/Embedding-Network
Embedding-Network  multi-loss (triplet loss + softmax loss)
6、https://github.com/saghiralfasly/VFL-Vehicle-Re-Id
Variational Representation Learning for Vehicle Re-Identification
7、https://github.com/lyttonhao/DJDR-Car-ReID
Deep joint discriminative learning for vehicle re-identification and retrieval
8、https://github.com/jundet/open-vehicle-reid
Vehicle Re-identification, Vehicle classification, Person Re-identification
9、https://github.com/oneysmall/CVTC
Attributes Guided Feature Learning for Vehicle Re-identification
10、https://github.com/SylvainDeker/Vehicle-ReIdentification
GUI界面
11、https://github.com/zakriaJamali123/Deep-Vehicle-Re-Id
Efficient and Deep Vehicle Re-Identification using Multi-Level Feature Extraction

中文文献：

[1]严晨晨. 基于多尺度联合学习的车辆重识别方法研究[D].安徽大学,2019.

[2]王艳芬,朱绪冉,云霄,孙彦景,石韫开,王赛楠.面向公共安全监控的多摄像机车辆重识别[J].西安电子科技大学学报,2019,46(04):190-196.

[3]陈娜. 交通监控视频中车辆重识别技术研究与实现[D].北京邮电大学,2019.

[4]崔彤. 多角度下车辆品牌识别技术的研究及实现[D].北京邮电大学,2019.

[5]马兴安. 基于深度学习的车辆精细分类与重识别[D].中国科学院大学(中国科学院人工智能学院),2019.

[6]刘利丹. 基于属性聚合和多视图稀疏相关正则化排序的车辆重识别[D].安徽大学,2019.

[7]王崇屹. 基于多任务学习的车辆重识别系统研究与实现[D].电子科技大学,2019.

[8]李熙莹,周智豪,邱铭凯.基于部件融合特征的车辆重识别算法[J].计算机工程,2019,45(06):12-20.

[9]王盼盼,李玉惠,李福卫.基于特征融合和度量学习的车辆重识别[J].电子科技,2018,31(09):29-31+79.

[10]刘鑫辰. 城市视频监控网络中车辆搜索关键技术研究[D].北京邮电大学,2018.

[11]王盼盼,李玉惠.基于特征融合和L-M算法的车辆重识别方法[J].电子科技,2018,31(04):12-15.

[12]王盼盼. 基于字典学习的车辆重识别技术研究[D].昆明理工大学,2018.

[13]邹雷. 基于深度学习的车辆重识别方法[D].华中科技大学,2017.

VeRi-776是车辆再识别任务的基准数据集。它包含约50000张776辆车的图片丰富的属性，如类型、颜色、品牌、车牌标注、时空关系标注等。每辆车被不同视角的摄像机捕捉到。该数据集的不足之处在于身份识别的数量相对较少。

VehicleID是另一个数据量更大的基准。车辆ID由多个非重叠摄像头捕获共有26267辆车的221763幅图像。每个图像都是从正面或背面拍摄的查看。在VehicleID中，仅包含250个车型，这意味着许多不同的身份共享同一辆车模型，出现近似复制问题。我们用地图在三个子集（即小型、中型和大型）测试集。

---

1、Part-regularized Near-duplicate Vehicle Re-identification-2019 CVPR
车辆重识别由于在城市监控和智能交通方面的巨大贡献一直吸引着计算机视觉的爱好者。随着深度学习方法的发展，车辆重新识别仍然面临一个几乎重复的挑战--就是用几乎相同的外观来区分不同的实例。以前的方法仅仅依靠全局视觉特性来处理这个问题。本文提出了一个简单而有效的部分正则判别式特征方法来增强感知能力，来提高模型的细微差异的能力。我们进一步开发了一个新的框架，将部分约束与全局约束集成在一起，通过引入检测分支重新标识模块。我们的框架是端到端的训练，结合本地和全局约束。特别是没有正规化的部分在推理步骤的局部约束下，我们的Re-ID网络在性能上大大优于目前最先进的方法，在VehicleID和VeRi-776的大型基准数据集进行测试。

 
2、A Framework With A Multi-task CNN Model Joint With A Re-ranking Method For Vehicle Re-identification-- ICIMC 2018
最近，随着监控摄像头数量的不断增加，车辆重新识别（re id）在交通监视中处于主要部分。车辆识别最常用的方法主要集中在单卷积神经网络（CNN）模型即识别或验证模型的提取上
特征。然而，单一的模式有其自身的缺点，它不能提取足够的鉴别特征。在这项工作中，
我们提出了一个多任务CNN模型的新框架并提出了一种解决re-id任务的排序优化方法。
多任务CNN模型结合了两个模型的优点来提取得到车辆图像特征。重排优化方法利用探测器的近邻与优化最终排名列表的库图像。实验是为了证明我们的框架在两个主流数据集排名第一的匹配精度提高1.5%和20%在主要的VeRi和VehicleID数据集上。
 
3、A Shortly and Densely Connected Convolutional Neural Network for Vehicle Re-identification -ICPR 2018
本文提出了一种用于车辆识别的短密连接卷积神经网络（SDC-CNN）。建议的SDC-CNN主要包括密集单元（SDU），必要的池和规范化层。其主要贡献在于密集连接机制，能够有效改善特征学习能力。具体来说，在密集连接机制，每个SDU包含一个短列表
密不可分的卷积层和每个卷积层层具有相同的适当通道。因此，每个卷积的连接数和输入信道层在每个SDU中都是有限的，SDC-CNN的体系结构很简单。在VeRi和VehicleID上进行了广泛的实验数据集显示，提出的SDC-CNN明显优于以多种最先进的车辆重新识
别方法。