车辆再识别的强基线

车辆重识别（Vehicle Re-Identification, Re-ID）旨在跨不同摄像头识别同一车辆，因此在现代交通管理系统中具有重要作用。该任务面临诸多技术挑战，要求算法在不同视角、分辨率、遮挡及光照条件下均具备良好的鲁棒性。本文首先分析了制约车辆重识别性能的主要因素，随后提出针对第五届AI City Challenge竞赛Track 2赛道的解决方案，主要包括：（1）缩小真实数据与合成数据之间的域差距；（2）通过堆叠多头注意力机制对网络结构进行优化；（3）采用自适应损失权重调整策略。所提方法在未使用外部数据集或伪标签的情况下，在私有CityFlow测试集上取得了61.34%的mAP指标，在Veri基准测试上达到87.1%的mAP，显著优于此前所有方法。代码已开源，地址为：https://github.com/cybercore-co-ltd/track2_aicity_2021。