.png){kind=icon}
返回
Vehicle Re-Identification Method Based on Efficient Self-Attention CNN-Transformer and Multi-Task Learning Optimization
.png){kind=icon}
OA
AI
DOI：10.3390/s25102977.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为解决车辆重识别中因类内差异、类间相似性和环境因素导致的低精度问题，本文提出了一种CNN-Transformer架构（IBNT-Net）用于车辆重识别。该方法基于ResNet50-IBN骨干网络，并引入改进的多头自注意力机制以聚合上下文信息。它构建了一个结合全局与局部特征的多分支车辆重识别网络。此外，采用多任务学习策略，为分类任务和度量学习任务创建专门的学习路径。利用组卷积技术降低模型复杂度，使其适用于资源受限环境。在VeRi-776和VehicleID数据集上，所提方法以更少的参数实现了当前最优性能。实验结果表明，所提方法具有更优的重识别性能，且提取的特征更具判别力。
Keyword:
vehicle re-identification
intra-class variations
inter-class similarities
self-attention mechanism
multi-branch architecture
multi-task learning
期刊
IF:
3.5
论文数:
7.3W
被引数:
20.9W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏CLIP-ReID: Exploiting Vision-Language Model for Image Re-identification without Concrete Text LabelsOAAI
OAAI分享收藏分享收藏
查看更多内容