[学习]基于深度学习的车辆重识别算法综述

基于深度学习的车辆重识别算法综述
作者单位：  宁轩　何智敏（宁波大学信息科学与工程学院　浙江　宁波）

期刊：2023   数据通信

本文主要内容：定义了车辆重识别的概念，问题来源，现在的几种解决方法，并进行了实验对比，最后做出总结，对车辆识别领域做出分析展望。

1. 问题描述

问题来源：不同摄像头拍摄的照片中寻找同一辆车

解决思路：训练一个车辆图像模型，对要查询的车辆图片进行特征提取，然后将特征投射到高位空间，比较向量间余弦距离，距离小则相同车辆概率高

数据集：VeRi-766分为训练集和测试集，有776辆车的49360张图片。VehicleID由26267辆车的221763张图片组成，分为大中小三个规模数据集。

评价指标：平均精度均值，累计匹配性能，Rank-N表格

2.基于深度学习的识别方法

2.1 融合车身多维度信息

车辆车型和颜色往往相同，只有车牌不同，重点是提取有效的特征

车身拆解，分块匹配。用检测网络预处理车辆中可能存在辨识性的区域。

可以进行多任务学习的双分支框架。

不适用于大规模数据集，数据量大时，标记任务会很大

2.2 基于车辆视点转换

不同摄像头的角度不同，重点是提高特征在不同图片中鲁棒性

VAMI模型，四重方向池化方法，多分支网络处理不同视角下的图片。

2.3 基于度量学习的方法

使用类内排名损失(IRL)和类间排名损失（CRL0），利用同一辆车在不同视角下的 外观差异所产生的多中心信息，采用多中心排名损失（MCRL）来联合学习类内和类间信息

2.4 基于时间，地理信息

两辆车在摄像头下，出现的时间间隔越短，位置距离越近，是同一辆车的概率就越大。

需要大量标注信息

3. 总结

深度学习目前存在的问题：①为追求高性能，不断使用深度化的神经网络，规模更大的数据集，导致训练时间越来越长。

②现实应用场景远比数据集要复杂的多，如何提高现有模型在不同场景下的鲁棒性。

③对类间相似度高，类内差异大，无法达到较高的水平。

未来的展望：①如何在轻量型的网络中，保证指标，并提高识别准确率，应用到嵌入式设备中。

②如何模拟实际应用场景中的复杂情景（雨、雪、雾等极端天气），并提出解决方案，提高识别性能。

③如何提出更为鲁棒的度量学习方法，解决类间相似度高，类内相似度低的以及跨摄像头拍摄带来精度降低的问题

文章的思路：提出问题，解决思路，解决办法，总结分析

实验设计：验证现有方法的指标

文章结构：引言，问题来源，数据集，评估方法

深度学习发展遇到的困难，车辆重识别领域的思考

积累的词汇：

高维空间

相似性度量

计算机算力上涨

神经网络深度化