VehicleNet : apprentissage d'une représentation de caractéristiques robuste pour la réidentification de véhicules

Un défi fondamental de la ré-identification de véhicules (re-id) réside dans l’apprentissage de représentations visuelles robustes et discriminantes, compte tenu des importantes variations intra-classes observées entre différentes vues de caméras. Étant donné que les jeux de données existants pour les véhicules sont limités en nombre d’images d’entraînement et en perspectives, nous proposons de construire un nouveau jeu de données à grande échelle dédié aux véhicules (appelé VehicleNet) en combinant quatre jeux de données publics existants. Par ailleurs, nous concevons une approche originale mais efficace en deux étapes pour apprendre des représentations visuelles plus robustes à partir de VehicleNet. La première étape consiste à apprendre une représentation générique applicable à toutes les sources (c’est-à-dire les jeux de données de véhicules d’origine) en utilisant une fonction de perte classique de classification. Cette étape affaiblit l’alignement complet entre les domaines d’entraînement et de test, car elle est indépendante du domaine cible de véhicules. La deuxième étape vise à affiner le modèle entraîné uniquement à partir de l’ensemble de véhicules cibles, en minimisant la disparité de distribution entre VehicleNet et tout domaine cible. Nous présentons en détail notre nouveau jeu de données multi-source VehicleNet, et évaluons l’efficacité de l’apprentissage progressif en deux étapes à travers des expériences étendues. Nos résultats atteignent une précision de 86,07 % en mAP sur l’ensemble de test privé du concours AICity Challenge, ainsi que des performances compétitives sur deux autres jeux de données publics pour la ré-identification de véhicules : VeRi-776 et VehicleID. Nous espérons que ce nouveau jeu de données VehicleNet ainsi que les représentations visuelles robustes apprises ouvriront la voie à des avancées significatives dans la ré-identification de véhicules dans des environnements réels.