VehicleGAN: Pair-flexible Pose Guided Image Synthesis for Vehicle Re-identification

要約

車両再識別 (Re-ID) は、過去 10 年間に広く研究されてきました。
ただし、カメラの視野角が異なるため、さまざまな姿勢の車両の特徴部分空間での混乱した識別が引き起こされ、現実世界の車両 Re-ID モデルにとっては依然として困難です。
Vehicle Re-ID モデルを促進するために、本稿では、ターゲット ポーズに多数の車両画像を合成することを提案します。そのアイデアは、特徴の識別を強化するために、多様なポーズの車両を統一されたターゲット ポーズに投影することです。
異なる交通監視カメラにある同じ車両のペアデータは現実世界では利用できない可能性があることを考慮して、本稿ではVehicleGANと名付けた、車両Re-ID用の最初のペアフレキシブルポーズ誘導画像合成手法を提案します。
幾何学的な 3D モデルの知識がなくても、教師付き設定と教師なし設定の両方に対応できます。
実際のデータと合成データの特徴分布の違いにより、従来の計量学習ベースの Re-ID モデルをデータレベルの融合 (つまり、データ拡張) でトレーニングするだけでは満足のいくものではありません。そのため、新しい結合計量学習 (JML) を提案します。
実際のデータと合成データの両方からの効果的な機能レベルの融合。
公開されている VeRi-776 および VehicleID データセットに関する集中的な実験結果により、私たちが提案する VehicleGAN および JML の精度と有効性が証明されています。

要約(オリジナル)

Vehicle Re-identification (Re-ID) has been broadly studied in the last decade; however, the different camera view angle leading to confused discrimination in the feature subspace for the vehicles of various poses, is still challenging for the Vehicle Re-ID models in the real world. To promote the Vehicle Re-ID models, this paper proposes to synthesize a large number of vehicle images in the target pose, whose idea is to project the vehicles of diverse poses into the unified target pose so as to enhance feature discrimination. Considering that the paired data of the same vehicles in different traffic surveillance cameras might be not available in the real world, we propose the first Pair-flexible Pose Guided Image Synthesis method for Vehicle Re-ID, named as VehicleGAN in this paper, which works for both supervised and unsupervised settings without the knowledge of geometric 3D models. Because of the feature distribution difference between real and synthetic data, simply training a traditional metric learning based Re-ID model with data-level fusion (i.e., data augmentation) is not satisfactory, therefore we propose a new Joint Metric Learning (JML) via effective feature-level fusion from both real and synthetic data. Intensive experimental results on the public VeRi-776 and VehicleID datasets prove the accuracy and effectiveness of our proposed VehicleGAN and JML.

arxiv情報

著者 Baolu Li,Ping Liu,Lan Fu,Jinlong Li,Jianwu Fang,Zhigang Xu,Hongkai Yu
発行日 2024-04-17 17:58:59+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV パーマリンク