NVIDIA AI City Challege 2018资料整理

AI CITY CHALLENGE 是英伟达举办的智能交通视频分析比赛。以下是一些参赛团队算法资料的整理。

Single-Camera and Inter-Camera Vehicle Tracking and 3D Speed Estimation Based on Fusion of Visual and Semantic Features

Team 48 zhengthomastang/2018AICity_TeamUW Track 1: Traffic Flow Analysis 第1名，Track 3: Multi-sensor Vehicle Detection and Reidentification 第1名。

离线算法，使用 YOLOv2 检测。

• 单摄像机跟踪（SCT）
  在 SCT 中，我们的损失函数包括运动、时间和外观属性。特别地，基于直方图的自适应外观模型被设计为对长期外观变化进行编码以增强鲁棒性。损失的变化与自下而上的跟踪聚类策略结合在一起。通过应用于相机校准的EDA优化以实现速度估计，实现了稳健的2D 到3D 反投影。
• 摄像机间跟踪（ICT）
  所提出的外观模型与 DCNN 特征，车牌，检测到的车型和行驶时间信息相结合，用于计算 ICT 中的成本函数。

Unsupervised Anomaly Detection for Traffic Surveillance Based on Background Modeling

Team 63 NVIDIAAICITYCHALLENGE/2018AICITY_MCPRL 是 Track 2: Anomaly Detection 的第2名。

使用 MOG2 剪除背景，Faster-RCNN 检测车辆，VGG16 进行分类。当遇到摄像机移动或等待红灯的车辆时，使用 ResNet50比较两个候选者的相似性。

Vehicle Re-Identification with the Space-Time Prior

Team 37 cw1204772/AIC2018_iamai Track 3: Multi-sensor Vehicle Detection and Reidentification 的第2名。

构建端到端车辆检测、跟踪、重新识别系统。包含三个阶段：

• 修改 Detectron 的 ResNet-101-FPN 作为检测器。
• 使用 IoU tracker 生成轨迹。ResNet-50提取特征将小轨迹合并为大的轨迹。
• 最后一个多摄像机匹配阶段通过其 CNN 特征对所有序列的轨迹进行分组。 借助核心自适应特征学习（AFL）技术，我们的车辆 Re-ID 系统可轻松应用于任何其他视觉领域。

Unsupervised Vehicle Re-Identification using Triplet Networks

Team 41 NVIDIAAICITYCHALLENGE/2018AICITY_LasPalmas 是 Track 3: Multi-sensor Vehicle Detection and Reidentification 的第6名。

使用 SSD 检测器来检测不同的车辆，然后使用基于 VGG 的三元组结构来生成嵌入式特征空间。之后，使用四重策略来匹配车辆。