차량 재식별을 위한 사방향 딥 러닝 특성 사용

시야각 변화의 부정적인 영향에 저항하여 차량 재식별 성능을 개선하기 위해, 우리는 사방향 딥러닝 네트워크를 설계하여 차량 이미지의 사방향 딥러닝 특징(QD-DLF)을 추출합니다. 이 사방향 딥러닝 네트워크는 전체적으로 유사한 구조를 가지고 있으며, 동일한 기본 딥러닝 아키텍처를 사용하지만 방향 특징 풀링 레이어가 다릅니다. 구체적으로, 동일한 기본 딥러닝 아키텍처는 초기 단계에서 입력되는 정사각형 차량 이미지의 기본 특징 맵을 추출하기 위한 짧고 밀집된 컨볼루셔널 신경망입니다. 그 다음, 사방향 딥러닝 네트워크는 수평 평균 풀링(HAP) 레이어, 수직 평균 풀링(VAP) 레이어, 대각선 평균 풀링(DAP) 레이어 및 반대 대각선 평균 풀링(AAP) 레이어와 같은 서로 다른 방향 풀링 레이어를 사용하여 기본 특징 맵을 각각 수평, 수직, 대각선 및 반대 대각선 방향의 특징 맵으로 압축합니다.마지막으로, 이러한 방향 특징 맵은 공간적으로 정규화되고 결합되어 차량 재식별을 위한 사방향 딥러닝 특징으로 사용됩니다. VeRi 및 VehicleID 데이터베이스에서 수행된 광범위한 실험 결과, 제안된 QD-DLF 접근법이 여러 최신 차량 재식별 방법보다 우수함이 입증되었습니다.