Transformer框架下面向车辆重识别的特征对齐与判别性增强

车辆重识别在近几年取得了显著研究进展,但由于不同摄像头下汽车外观特征具有歧义性,这对识别性能的提升带来了极大挑战.为此,在Transformer框架下,提出面向车辆重识别的特征语义对齐与判别性增强方法.该方法首先使用预训练后的车辆姿态估计模型实现对车辆关键点的提取,然后利用关键点携带的语义信息,根据图像块的坐标,设计一种特征聚集方法,将Transformer中具有相同语义的token划归到同一组内,实现特征的语义对齐,提升特征鲁棒性与判别性.此外,考虑到不同语义特征之间具有一定的内在关系,进一步构建图卷积网络来进一步优化特征质量.所提出的方法在两个公开的大型车辆数据集上均表现出了先进的效果,证明了方法的有效性以及优越性.     

基于协作通信的车联网数据分发综述

车联网(Internet of Vehicles,IoVs)是智能交通领域(Intelligent Transportation System,ITS)的一个重要分支,在保障道路安全以及提升用户驾驶体验方面有着巨大潜力.其中,基于协作通信的数据分发是目前车联网研究的热点问题.为此,分别对车联网的概念、数据分发机制以及协作通信相关研究进行介绍与分析,并对目前研究工作中所存在的问题进行了总结.     

跨模态身份不一致的交叉分类素描行人重识别

素描行人重识别旨在从可见光行人图像库中查找与给定素描行人图像身份相同的图像。虽然已经有较多的跨模态检索算法可以应用于该类问题，但这些算法的背景设定较为单一，没有考虑到训练集中部分身份的行人仅有一个模态样本，即跨模态身份不一致，这极大限制了算法在实际场景下的应用。为此，提出了基于交叉分类的素描行人重识别网络。该网络包括交叉分类和基于距离的身份信息对齐两部分。其中，交叉分类利用单一模态数据训练的分类器引导编码器从另一模态提取到模态不变的信息。而基于距离的身份信息对齐能够将同身份不同模态间的特征距离减小，同时抑制跨模态身份不一致的影响，进而强化了特征的判别性和鲁棒性。为验证跨模态身份不一致时模型的性能表现，基于Matket-1501数据集生成了新的素描行人重识别数据集S-Market1501，并在该数据集上将Rank-1指标提升了11.0个百分点。同时模型在公开数据集Sketch Re-ID上Rank-1指标达到了60%，所设计的数据集将开源在“https：//github. com/huangdaichui/Sketch＿dataset”。