文献类型：期刊文章

作　　者：谢秀珍[1,2] 罗志明[1] 连盛[1] 李绍滋[1]

XIE Xiuzhen;LUO Zhiming;LIANG Sheng;LI Shaozi(School of Informatics,Xiamen University,Xiamen 361005,China;College of Mathematics and Information Engineering,Longyan University,Longyan 364002,China)

机构地区：[1]厦门大学信息学院,福建厦门361005 [2]龙岩学院数学与信息工程学院,福建龙岩364002

出　　处：《厦门大学学报（自然科学版）》

基　　金：国家自然科学基金(61876159,61806172,U1705286)。

年　　份：2021

卷　　号：60

期　　号：1

起止页码：72-79

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD_E2021_2022、JST、MR、PROQUEST、RCCSE、WOS、ZGKJHX、ZMATH、核心刊

摘　　要：针对基于深度学习的车辆重识别模型缺乏提取车辆局部细节描述的能力,以及不同环境下同一车辆表观特征变化显著,增加车辆重识别的难度的问题,提出一种融合多尺度车辆表观和属性信息的重识别模型.充分利用车辆颜色和车型属性在不同环境下较为稳定且易判断的特性,将其融合到车辆表观特征中,获得强化提升的深度特征;另外使用交叉熵损失函数与Triplet损失函数构建多任务的目标优化函数对模型进行参数训练.该方法在VeRi-776车辆数据库上的实验结果表明:通过融合颜色和车型属性特征可以明显地提高车辆重识别的准确率,并可以取得优于其他大部分对比方法的性能.

关 键 词：车辆重识别  特征提取 表观信息  属性信息 特征融合  

分 类 号：TP391]