低活跃区信息挖掘的车辆重识别方法
孙亚杰
孙莹莹
曹小玲
杨剑
南京信息工程大学 南京 210044
摘要：车辆重识别(Re-ID)旨在通过多个不重叠的摄像头识别同一辆车辆.现有的重识别研究主要在图像高信息区域提取车辆特征,忽略了低活跃区域也可能存在有利于车辆识别的重要信息.针对这一问题,论文提出了一种低活跃区信息挖掘的车辆重识别方法(LRM-Net),通过擦除高活跃区域,挖掘低活跃区域中关键特征来增强网络的性能.LRM-Net具有全局分支及特征遮掩分支模块两个分支结构.全局分支用于学习车辆的整体外观特征;特征遮掩模块,用于学习低活跃区域中具有分辨性的车辆特征,当车辆特征极为相似时,该模块可以有效地进行车辆区分.该方法在两个公共数据集上VehicleID(大)和VeRi-776上进行了实验,LRM-Net的Rank-1准确率分别达到了90.7%和95.9%,平均精度均值(mAP)分别达到了为77.1%和79.7%.定性和定量实验表明了LRM-Net在低活跃区挖掘信息的有效性.
关键词：车辆重识别低活跃区域特征遮掩模块
分类号：TN957.52(雷达)TP391.41(计算技术、计算机技术)
论文发表日期：2025-11-20
在线出版日期：2026-01-28（本平台首次上网日期，不代表文献的发表时间）
页数：6( 3264-3269 )
英文信息