Strength in Diversity: Multi-Branch Representation Learning for Vehicle Re-Identification

📄 arXiv: 2310.01129v1 📥 PDF

作者: Eurico Almeida, Bruno Silva, Jorge Batista

分类: cs.CV

发布日期: 2023-10-02

备注: Paper accepted in ITSC2023

🔗 代码/项目: GITHUB

💡 一句话要点

提出轻量级多分支深度架构以提升车辆重识别性能

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 车辆重识别 深度学习 多分支架构 特征提取 轻量级模型

📋 核心要点

  1. 现有的车辆重识别方法通常依赖复杂的多分支架构，导致计算资源消耗大且难以部署。
  2. 本文提出了一种结合分组卷积和损失分支分割的轻量级多分支架构，旨在提升特征的多样性和可区分性。
  3. 在Veri-776数据集上，本文方法实现了85.6%的mAP和97.7%的CMC1，表现优于现有最先进的方法。

📝 摘要（中文）

本文提出了一种高效且轻量级的多分支深度架构，以改善车辆重识别（V-ReID）任务。与大多数V-ReID研究使用复杂的多分支架构提取强健且多样化的嵌入不同，我们主张可以设计简单且轻量的架构来实现重识别任务而不妥协性能。我们结合了分组卷积和损失分支分割策略，设计出一种多分支架构，提升特征多样性和可区分性。通过将ResNet50全局分支架构与BotNet自注意力分支架构结合，采用损失分支分割策略，生成专门的重识别特征。此外，我们还设计了一种改进方案，利用额外的元数据（如摄像头ID和姿态信息），在显著减少参数的同时进一步提升重识别性能。我们的代码可在https://github.com/videturfortuna/vehicle_reid_itsc2023获取。

🔬 方法详解

问题定义：本文旨在解决车辆重识别任务中的特征提取效率和模型复杂性问题。现有方法通常依赖复杂的多分支架构，导致计算资源消耗大，难以在实际应用中部署。

核心思路：我们提出了一种轻量级的多分支深度学习架构，结合分组卷积和损失分支分割策略，以提升特征的多样性和可区分性。通过简化架构设计，保持高性能的同时降低模型复杂度。

技术框架：整体架构包含两个主要分支：ResNet50全局分支和BotNet自注意力分支，采用损失分支分割策略生成专门的重识别特征。此外，利用额外的元数据（如摄像头ID和姿态信息）进一步提升性能。

关键创新：最重要的创新在于通过损失分支分割策略生成专门的重识别特征，同时采用分组卷积显著减少模型参数，提升了特征提取的效率。与现有方法相比，我们的架构在性能和资源消耗上实现了良好的平衡。

关键设计：在网络结构上，采用ResNet50和BotNet的组合，损失函数设计上引入了专门的损失分支分割策略，确保模型能够有效学习到多样化的特征表示。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在Veri-776数据集上，本文方法实现了85.6%的mAP和97.7%的CMC1，超越了现有的最先进方法。同时，在Veri-Wild数据集上也取得了88.1%的mAP和96.3%的CMC1，展现出良好的竞争力，验证了所提方法的有效性。

🎯 应用场景

该研究的潜在应用领域包括智能交通系统、自动驾驶车辆监控以及城市安全管理等。通过提升车辆重识别的准确性和效率，能够为交通管理和安全监控提供更为可靠的技术支持，具有重要的实际价值和广泛的市场前景。

📄 摘要（原文）

This paper presents an efficient and lightweight multi-branch deep architecture to improve vehicle re-identification (V-ReID). While most V-ReID work uses a combination of complex multi-branch architectures to extract robust and diversified embeddings towards re-identification, we advocate that simple and lightweight architectures can be designed to fulfill the Re-ID task without compromising performance. We propose a combination of Grouped-convolution and Loss-Branch-Split strategies to design a multi-branch architecture that improve feature diversity and feature discriminability. We combine a ResNet50 global branch architecture with a BotNet self-attention branch architecture, both designed within a Loss-Branch-Split (LBS) strategy. We argue that specialized loss-branch-splitting helps to improve re-identification tasks by generating specialized re-identification features. A lightweight solution using grouped convolution is also proposed to mimic the learning of loss-splitting into multiple embeddings while significantly reducing the model size. In addition, we designed an improved solution to leverage additional metadata, such as camera ID and pose information, that uses 97% less parameters, further improving re-identification performance. In comparison to state-of-the-art (SoTA) methods, our approach outperforms competing solutions in Veri-776 by achieving 85.6% mAP and 97.7% CMC1 and obtains competitive results in Veri-Wild with 88.1% mAP and 96.3% CMC1. Overall, our work provides important insights into improving vehicle re-identification and presents a strong basis for other retrieval tasks. Our code is available at the https://github.com/videturfortuna/vehicle_reid_itsc2023.