Re-identification de véhicules à l'aide de caractéristiques d'apprentissage profond quadruple directionnel

Pour résister aux effets néfastes des variations de point de vue et améliorer les performances de la réidentification des véhicules, nous avons conçu des réseaux de quadruple direction basés sur l'apprentissage profond afin d'extraire les caractéristiques de quadruple direction par apprentissage profond (QD-DLF) des images de véhicules. Ces réseaux de quadruple direction par apprentissage profond présentent une architecture globale similaire, comprenant la même architecture de base pour l'apprentissage profond mais avec des couches de regroupement directionnelles différentes. Plus précisément, cette architecture de base est un réseau neuronal convolutif court et dense qui extrait les cartes de caractéristiques fondamentales d'une image carrée de véhicule en entrée lors de la première étape. Ensuite, les réseaux de quadruple direction par apprentissage profond utilisent différentes couches de regroupement directionnel, à savoir la couche de regroupement moyen horizontal (HAP), la couche de regroupement moyen vertical (VAP), la couche de regroupement moyen diagonal (DAP) et la couche de regroupement moyen antidiagonal (AAP), pour compresser ces cartes de caractéristiques fondamentales en cartes de caractéristiques directionnelles horizontales, verticales, diagonales et antidiagonales, respectivement.Enfin, ces cartes de caractéristiques directionnelles sont normalisées spatialement et concaténées pour former une caractéristique composite à quadruple direction par apprentissage profond destinée à la réidentification des véhicules. De nombreuses expériences menées sur les bases de données VeRi et VehicleID montrent que l'approche QD-DLF proposée surpassent plusieurs méthodes avancées actuelles pour la réidentification des véhicules.