论文笔记009:[ECCV2016]A Deep Learning-Based Approach to Progressive Vehicle Re-identification for Urban

摘要

在行人重识别(Re-Id)日益受到关注的同时，车辆作为城市视频监控中重要的对象类别，却常常被视觉界所忽视。引出问题
现有的车辆重识别方法大多只关注车辆的一般外观，而忽略了车辆的某些独特身份(如车牌)，因此识别效果有限。本文提出了一种新的基于深度学习的渐进式车辆再识别方法PROVID。我们的方法将车辆的Re-Id视为两个特定的渐进式搜索过程:特征空间中的粗到细搜索和现实世界监控环境中的近到远搜索。首先利用车辆的外观属性进行粗过滤，然后利用Siamese神经网络进行车牌验证，准确识别车辆。近距离搜索过程通过从近到远的相机和从近到远的时间搜索，以像人一样的方式检索车辆。说明现有方法的问题，引出新的方法
此外，为了便于车辆Re-Id的深入研究，我们从大规模城市监控视频中收集了迄今为止最大的数据集VeRi-776，该数据集不仅包含了属性多样、复发率高的海量车辆，还包含了充足的车牌和时空标签。对VeRi-776的综合评价表明，我们的方法在mAP方面比最先进的方法提高了9.28%。数据集VeRi-776

数据集

Veri-776是在已有的Veri数据集上进行扩张(Veri-776和Veri的数据集都是同一个作者做的）
1）数据量增加20%
2）车牌标注
3）时间空间联系的标注
思考
1）数据量的增加对深度学习有帮助
2）和3）是和方法绑定的，方法还是挺好理解的，从粗到细，从近到远
粗细：外观->车牌号
近远：时间和空间

实验

1.不同方法在Veri-776的效果，分别为图和表

我的思考

本篇文章挺老的，提出了在一个已有的数据集上再扩充形成一个新的数据集，有车牌标注并利用了时空信息标注，是个亮点。然后不同方法的图表表示还挺常见的，可以学起来