基于四向深度学习特征的车辆重识别

为了抵抗视角变化的不利影响，提高车辆重识别性能，我们设计了四向深度学习网络来提取车辆图像的四向深度学习特征（QD-DLF）。四向深度学习网络具有相似的整体架构，包括相同的基本深度学习架构但不同的方向特征池化层。具体而言，相同的基本深度学习架构是一个短而密集连接的卷积神经网络，用于在第一阶段从输入的方形车辆图像中提取基本特征图。然后，四向深度学习网络利用不同的方向池化层，即水平平均池化（HAP）层、垂直平均池化（VAP）层、对角线平均池化（DAP）层和反对角线平均池化（AAP）层，分别将基本特征图压缩为水平、垂直、对角线和反对角线方向的特征图。最后，这些方向特征图经过空间归一化并串联在一起，形成一个四向深度学习特征用于车辆重识别。在VeRi和VehicleID数据库上的大量实验表明，所提出的QD-DLF方法优于多种现有的最先进的车辆重识别方法。