基于深度学习的车辆再识别研究进展

被引：12

作者：

张小瑞 ^{[1
,2
,3
]}

陈旋 ^{[1
]}

孙伟 ^{[2
,4
]}

葛楷 ^{[4
]}

机构：

[1] 南京信息工程大学计算机与软件学院

[2] 南京信息工程大学江苏省大气环境与装备技术协同创新中心

[3] 南京信息工程大学数字取证教育部工程研究中心

[4] 南京信息工程大学自动化学院

来源：

计算机工程 | 2020年 / 46卷 / 11期

关键词：

车辆再识别; 深度学习; 卷积神经网络; 智能交通系统; 计算机视觉;

D O I：

10.19678/j.issn.1000-3428.0058107

中图分类号：

TP18 [人工智能理论]; TP391.41 []; U495 [电子计算机在公路运输和公路工程中的应用];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ; 080203 ; 0838 ;

摘要：

车辆再识别是计算机视觉领域一个前沿且具有挑战的课题,旨在非重叠视角域、多摄像头网络下进行车辆匹配。近年来,深度学习技术凭借其优越性能在车辆再识别任务中得到成功应用并成为研究热点。对此,阐述基于深度学习的车辆再识别研究现状,给出车辆再识别问题定义,指出只利用车牌和传统方法进行识别的局限性。从不同角度对现有方法进行分类和总结,列举4种常用的车辆再识别数据集,比较经典方法在其中的性能表现,为实际应用中合理选用提供参考。在此基础上,分析车辆再识别研究面临的挑战,并对其发展趋势进行展望。

引用

页码：1 / 11

页数：11

共 12 条

[1] 联合损失优化孪生网络的行人重识别 [J].