公开(公告)号：CN111652293B

公开(公告)日：2022-04-26

申请号：CN202010432575.6

申请日：2020-05-20

Applicant: 西安交通大学苏州研究院

Inventor： 李垚辰 ,  吴潇 ,  宋晨明 ,  刘跃虎

IPC: G06V10/774 ,  G06V10/80 ,  G06V10/764 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明公开了一种多任务联合判别学习的车辆重识别方法。方法通过多分支的网络联合学习多个任务，来获取车辆的细粒度判别性特征。网络通过属性学习和ID学习两个分支获取网络输出特征向量，同时再用一个度量学习和ID学习任务来约束该特征向量，通过这四个任务联合学习来获取更加鲁棒的特征。其中ID学习使用了不同于其他方法的ArcFL损失函数，度量学习使用了不同于其他方法的Trihard损失函数。通过创新性网络结构的提出和损失函数的改进，使车辆重识别和检索的精度得到显著提升。本发明基于道路监控场景的大型车辆数据集实现，可以有效地应用于车辆查找任务。

公开(公告)号：CN111652293A

公开(公告)日：2020-09-11

申请号：CN202010432575.6

申请日：2020-05-20

Applicant: 西安交通大学苏州研究院

Inventor： 李垚辰 ,  吴潇 ,  宋晨明 ,  刘跃虎

IPC: G06K9/62 ,  G06N3/04

Abstract: 本发明公开了一种多任务联合判别学习的车辆重识别方法。方法通过多分支的网络联合学习多个任务，来获取车辆的细粒度判别性特征。网络通过属性学习和ID学习两个分支获取网络输出特征向量，同时再用一个度量学习和ID学习任务来约束该特征向量，通过这四个任务联合学习来获取更加鲁棒的特征。其中ID学习使用了不同于其他方法的ArcFL损失函数，度量学习使用了不同于其他方法的Trihard损失函数。通过创新性网络结构的提出和损失函数的改进，使车辆重识别和检索的精度得到显著提升。本发明基于道路监控场景的大型车辆数据集实现，可以有效地应用于车辆查找任务。