2.3 KiB
2.3 KiB
车辆ReID
ReID，也就是 Re-identification，其定义是利用算法，在图像库中找到要搜索的目标的技术，所以它是属于图像检索的一个子问题。而车辆ReID就是给定一张车辆图像，找出同一摄像头不同的拍摄图像，或者不同摄像头下拍摄的同一车辆图像的过程。在此过程中，如何提取鲁棒特征，尤为重要。因此，此文档主要对车辆ReID中训练特征提取网络部分做相关介绍，内容如下：
- 数据集及预处理方式
- Backbone的具体设置
- Loss函数的相关设置
全部的超参数及具体配置：ResNet50_ReID.yaml
1 数据集及预处理
1.1 VERI-Wild数据集
此数据集是在一个大型闭路电视监控系统，在无约束的场景下，一个月内（30*24小时）中捕获的。该系统由174个摄像头组成，其摄像机分布在200多平方公里的大型区域。原始车辆图像集包含1200万个车辆图像，经过数据清理和标注，采集了416314张40671个不同的车辆图像。具体详见论文
1.2 数据预处理
由于原始的数据集中，车辆图像已经是由检测器检测后crop出的车辆图像，因此无需像训练ImageNet中图像crop操作。整体的数据增强方式，按照顺序如下：
- 图像
Resize到224 - 随机水平翻转
- AugMix
- Normlize：归一化到0~1
- RandomErasing
2 Backbone的具体设置
具体是用ResNet50作为backbone，但在ResNet50基础上做了如下修改：
- 0在最后加入一个embedding 层，即1x1的卷积层，特征维度为512 具体代码：ResNet50_last_stage_stride1
3 Loss的设置
车辆ReID中，使用了SupConLoss + ArcLoss，其中权重比例为1:1 具体代码详见：SupConLoss代码、ArcLoss代码
其他部分的具体设置，详见配置文件。