arXiv:1903.05244

Learning Feature Aggregation in Temporal Domain for Re-Identification

Jakub Špaňhel, Jakub Sochor, Roman Juránek, Petr Dobeš, Vojtěch Bartl, Adam Herout

제출 2019-03-12

원문 초록

Person re-identification is a standard and established problem in the computer vision community. In recent years, vehicle re-identification is also getting more attention. In this paper, we focus on both these tasks and propose a method for aggregation of features in temporal domain as it is common to have multiple observations of the same object. The aggregation is based on weighting different elements of the feature vectors by different weights and it is trained in an end-to-end manner by a Siamese network. The experimental results show that our method outperforms other existing methods for feature aggregation in temporal domain on both vehicle and person re-identification tasks. Furthermore, to push research in vehicle re-identification further, we introduce a novel dataset CarsReId74k. The dataset is not limited to frontal/rear viewpoints. It contains 17,681 unique vehicles, 73,976 observed tracks, and 277,236 positive pairs. The dataset was captured by 66 cameras from various angles.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.10583v1cs.CV공통 태그 Person Re-Identification, Vehicle Re-Identification

시뮬레이션 기상 조건에서의 UAV 기반 차량 재식별 벤치마킹

Benchmarking UAV-based Vehicle Re-Identification under Simulated Weather Conditions

UAV 기반 차량 재식별(ReID)은 무인 항공기가 제공하는 유연한 시점과 광역 커버리지 덕분에 교통 감시, 도시 모니터링, 공공 안전 응용 분야에서 유망한 기술로 부상하고 있다. 그러나 UAV 기반 차량 ReID 벤치마크에서 최근의 진전에도 불구하고, 악천후 조건에서 기존 방법들의 강인성은 충분히 연구되지 않은 상태이다. 기상 열화는 항공 이미지에서 신뢰할 수 있는 차량 매칭에 필요한 세밀한 외관 단서에 큰 영향을 미칠 수 있으며, 특히 소형 객체 스케일, 시점 변화, 복잡한 배경 환경에서 더욱 그러하다. 본 논문에서는 CLIP-ReID, MSINet, AdaSP 세 가지 대표적인 최신 차량 ReID 방법을 VRU 및 UAV-VeID 두 UAV 기반 벤치마크에서 통제된 비교 연구로 제시한다. 일관된 강인성 평가를 위해, 원본 아이덴티티와 데이터 분할을 유지하면서 분석적 기상 효과 파이프라인을 사용하여 두 데이터셋의 합성 안개 및 비 변형 버전을 생성하였다. 모든 모델은 동일하게 맑음, 안개, 비 조건에서 학습 및 평가되었다. 실험 결과, 악천후는 두 데이터셋 전반에 걸쳐 검색 성능을 일관되게 저하시켰으며, 거의 모든 설정에서 안개보다 비가 더 큰 성능 저하를 유발하였다. 평가된 방법 중 AdaSP가 가장 강한 강인성을 보여, 안개 및 비 조건에서 VRU-Large에서 각각 93.0% 및 88.5% mAP, UAV-VeID-Test에서 각각 88.7% 및 76.2% mAP를 달성하였다. 전반적으로, 본 연구의 결과는 시뮬레이션된 악천후가 UAV 기반 차량 ReID의 난이도를 크게 높이고, 최신 방법들 간의 명확한 강인성 차이를 드러내며, 향후 항공 ReID 연구에서 기상 인식 모델 설계 및 평가 프로토콜의 필요성을 강조함을 보여준다. 코드는 https://github.com/tranminhvu945/Benchmarking-ReID에 공개되어 있다.

arXiv:2607.08085v1cs.CV공통 태그 Person Re-Identification, Vehicle Re-Identification

다중 쿼리 차량 재식별을 위한 강화 뷰 전문가 혼합 및 대규모 벤치마크

Mixture of Enhanced-View Experts for Multi-Query Vehicle ReID and A Large-Scale Benchmark

다중 쿼리 차량 재식별(Multi-query Vehicle ReID)은 강건한 특징 학습을 위해 다양한 뷰의 보완적 정보를 활용하는 것을 목표로 한다. 그러나 현재 방법들은 단순한 특징 융합의 한계로 인해 일부 중요한 뷰 정보와 교차 뷰 관계를 쉽게 놓친다. 이러한 문제를 해결하기 위해, 본 연구는 강화 뷰 전문가 혼합(EV-MoE, Mixture of Enhanced-View Experts)이라는 새로운 접근법을 제안한다. EV-MoE는 각 뷰의 특징 표현을 강화하고 전문가 혼합(MoE)을 통해 뷰별 강화된 특징을 효율적으로 통합함으로써 강건한 다중 쿼리 ReID를 수행한다. 특히, 뷰별 특징 강화 서브모듈(VFEM, view-specific feature enhancement sub-Module)과 동적 다중 뷰 융합 서브모듈(DMFM, dynamic multi-view fusion sub-Module)의 두 부분으로 구성된 강화 뷰 전문가 혼합 모듈을 설계한다. 아울러, 양방향 교차 뷰 대조 학습과 재구성 제약을 통해 특징을 정렬하는 다중 뷰 정렬 손실(MAL, Multi-view Alignment Loss)을 추가로 도입하여, 다중 쿼리 특징과 단일 이미지 특징 간의 일관성 문제를 해결한다. 또한, 실제 환경에서 다중 쿼리 ReID를 평가하기 위해 1,090개의 신원, 107,805장의 이미지, 23,637개의 카메라로 구성된 대규모 차량 ReID 데이터셋 LCRI-1K를 수집하였으며, 각 차량은 평균 67.5개의 카메라에 등장하여 복잡한 환경에서의 강건성을 검증하는 포괄적인 벤치마크를 제공한다. 광범위한 실험을 통해 다중 쿼리 차량 ReID 문제에서 CAFNet의 강건성을 입증한다. 코드는 https://github.com/xiaozhen28/CAFNet에서 이용 가능하다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.