摘要
基于车辆重识别系统，可以在不同摄像头拍摄的照片中快速定位到指定车辆。但是由于车辆图片之间存在高类间相似度与低类内相似度的问题，基于深度学习的车辆重识别算法仍然面临着许多挑战。本文针对车辆重识别任务，从网络结构与损失函数两个方面，构建了一个强基线模型与一个基于属性的多分支网络，并进一步对三元组损失函数进行了改进，提升了车辆重识别模型的性能，具有一定的实用意义。本文主要研究工作如下： （1）为了提升车辆重识别模型的性能，本文通过向基线模型引入一系列改进策略，包括修改骨干网络、优化训练策略、增加数据增强方法、使用软间隔三元组损失函数，构建了一个车辆重识别强基线模型。实验结果表明，强基线模型在VeRi数据集上取得了77.4%的mAP与95.1%的Rank-1准确率，在VehicleID数据集上取得了92.0%的Rank-1与96.5%的Rank-5准确率。 （2）为了充分利用车辆的属性信息来进一步提升车辆重识别模型的性能，本文基于强基线模型，提出了基于属性的多分支网络（Multi-branchNetworkBasedonAttributes，BAMNet）。BAMNet在训练时使用了额外的颜色分支、视角分支和车型分支，但在推理时仅使用全局分支，使得模型取得性能提升的同时，仍然具有与参数量较小的基线模型相当的推理速度。实验结果表明，BAMNet在VeRi数据集上取得了78.4%的mAP与95.6%的Rank-1准确率，在VehicleID数据集上取得了93.4%的Rank-1与97.1%的Rank-5准确率。 （3）针对三元组损失函数收敛困难的问题，本文提出了正则化三元组损失函数（RegularizedTripletLoss，RTL）。通过给三元组损失函数增加额外方向正则因子，优化了三元组中负样本的移动方向，促使负样本在被推远时可以兼顾锚点与正样本。使用RTL作为度量损失函数训练BAMNet，在VeRi数据集上取得了79.5%的mAP与96.1%的Rank-1准确率，在VehicleID数据集上取得了94.1%的Rank-1与97.5%的Rank-5准确率。
NETL