AttributeNet: Attributverstärkte Fahrzeug-Identifikation durch Re-Identifikation

Vehicle Re-Identification (V-ReID) ist eine zentrale Aufgabe, bei der dasselbe Fahrzeug über Bilder aus verschiedenen Kameraperspektiven zugeordnet werden muss. Viele bestehende Ansätze nutzen attributbasierte Hinweise, um die Leistung von V-ReID zu verbessern; dabei fehlt jedoch in der Regel eine effektive Wechselwirkung zwischen den attributbezogenen Modulen und dem endgültigen V-ReID-Ziel. In dieser Arbeit stellen wir eine neue Methode vor, die diskriminative Informationen aus Fahrzeugattributen (beispielsweise Farbe und Typ) effizient erschließt. Wir führen AttributeNet (ANet) ein, das identitätsrelevante Merkmale und attributbezogene Merkmale gemeinsam extrahiert. Durch die Auswertung der für ReID nützlichen attributbasierten Merkmale und deren Integration in die allgemeinen ReID-Merkmale wird die Diskriminativkraft erhöht. Darüber hinaus schlagen wir eine neue Einschränkung vor, die wir Amelioration Constraint (AC) nennen, welche sicherstellt, dass das Merkmalsrepräsentation nach der Hinzufügung attributbasierter Merkmale gegenüber der ursprünglichen allgemeinen ReID-Merkmalssammlung diskriminativer ist. Wir bestätigen die Wirksamkeit unseres Ansatzes anhand dreier anspruchsvoller Datensätze. Experimentelle Ergebnisse zeigen, dass unsere Methode die derzeit beste Leistung erzielt.