IJDMBgydF4y2Ba 国际期刊的数字多媒体广播gydF4y2Ba 1687 - 7586gydF4y2Ba 1687 - 7578gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2021/6641633gydF4y2Ba 6641633gydF4y2Ba 研究文章gydF4y2Ba 车辆通过Multifeature Reidentification超图融合gydF4y2Ba https://orcid.org/0000 - 0002 - 2464 - 5765gydF4y2Ba 李gydF4y2Ba 王gydF4y2Ba 1gydF4y2Ba https://orcid.org/0000 - 0001 - 6650 - 6790gydF4y2Ba 勇gydF4y2Ba 张gydF4y2Ba 2gydF4y2Ba 魏gydF4y2Ba 元gydF4y2Ba 1gydF4y2Ba 红星gydF4y2Ba 史gydF4y2Ba 1gydF4y2Ba RoccettigydF4y2Ba 马可gydF4y2Ba 1gydF4y2Ba 计算机科学学院gydF4y2Ba 中国开放大学gydF4y2Ba 北京gydF4y2Ba 中国gydF4y2Ba 2gydF4y2Ba 北京科技大学的gydF4y2Ba 北京gydF4y2Ba 中国gydF4y2Ba bjut.edu.cngydF4y2Ba 2021年gydF4y2Ba 18gydF4y2Ba 3gydF4y2Ba 2021年gydF4y2Ba 2021年gydF4y2Ba 29日gydF4y2Ba 12gydF4y2Ba 2020年gydF4y2Ba 21gydF4y2Ba 2gydF4y2Ba 2021年gydF4y2Ba 7gydF4y2Ba 3gydF4y2Ba 2021年gydF4y2Ba 18gydF4y2Ba 3gydF4y2Ba 2021年gydF4y2Ba 2021年gydF4y2Ba 版权©2021王莉et al。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

车辆reidentification指的是任务的匹配车辆不重叠的相机,这是智能交通系统的关键问题之一。由于车辆的外观相似的道路,传统的方法不能很好地运行在车辆具有高相似度。在本文中,我们利用超图表示集成图像特征和解决车辆通过超图re-ID学习算法的问题。特征描述符只能从一个方面提取特征。合并多个特征描述符,一个有效的和适当的表现尤为必要,和一个超图自然是适合高阶关系建模。此外,相机之间的交通状态的时空相关性约束以外的形象,这可以极大地提高re-ID精度不同的车辆与相似的表象。本文中的方法使用超图优化学习查询图像和图像之间的相似性在图书馆。通过使用一对和高阶关系查询对象和图像库,相似性测量方法相比,改进的直接匹配。图像库上的实验构建本文演示了使用的有效性multifeature超图融合和时空相关性模型在车辆reidentification来解决问题。gydF4y2Ba

 1。介绍gydF4y2Ba

目前,交通视频监控起着至关重要的作用在确保公共安全。交通视频监控的关键部分城市和大城市的监控车辆,包括检测、跟踪和分类。针对reidentification技术已经成为一个谨慎的应用领域的车辆识别,特别重要的公共安全部门的努力跟踪目标车辆在复杂的城市交通网络。车辆reidentification的主要任务是寻找图像相同的车辆被摄像机实现各领域目标车辆的前提是已知的监控视频。车辆reidentification不同于车辆检测、分类和跟踪,可以用来解决实例级目标搜索问题。gydF4y2Ba

类似于人的任务reidentification,研究车辆reidentification分为两个方面。首先,模型构建基于信息的外观,根据外表特征和车辆是有区别的。第二个方面是使用距离测量方法,利用训练样本距离度量模型进行车辆reidentification通过减少的原则,扩大在组内和组内的之间的差异。然而,车辆reidentification面临更大的挑战。人reidentification相比,不同车辆的信息图像具有较高的相似性,将显示和相同的车辆外观差异由于照明和天气等外部因素。此外,汽车制造和模型是相同的,相同的,很难区分的不同IDs车辆视觉。因此,车辆reidentification需要一个健壮的方法区分目标车辆和不属预定目标的车辆。gydF4y2Ba

的过程中图像识别、图像信息存储在图结构描述能力强、有效性高。图中顶点表示图像特征元素,而边缘代表这些特征元素之间的关系。虽然图匹配通常用于解决图像特征匹配问题,这些图只表示顶点之间的二元关系。相对,超图可以描述多个高阶关系对象的边缘可以包含多个顶点。gydF4y2Ba

本文使用了各种特征提取方法,为每个特性构造了一个超图,结合这些超图。通过超图学习,查询图像与图像集和,结合车辆图像的时空信息,实现多目标识别的多通道交通监控视频。gydF4y2Ba

与传统方法只计算配对匹配距离或相似之处,这种方法利用超图优化学习图像的相似性查询图像和图书馆。这样,配对和高阶关系查询对象和图像库对象被利用,从而提高相似性测量方法相比,直接匹配。此外,不同的特征描述符可以有效地利用互补信息通过学习多个超图和特征描述符。多个超图的融合是通过规范实现完全连通图的每个顶点代表的重量超图。我们的方法是兼容任何特性描述方法。图gydF4y2Ba 1gydF4y2Ba该方法的概述。gydF4y2Ba

概述汽车reidentification方法基于multifeature超图融合。gydF4y2Ba

本文的主要贡献有三种:gydF4y2Ba

我们使用不同的算法来提取车辆和构造超图的不同特性,分别代表他们的关系。超图的形式,我们可以表达自己的深层关系gydF4y2Ba

我们探索了超图学算法集成多个传统的特征提取方法。这贡献结合多种方法的优点来提高可见性匹配的准确性gydF4y2Ba

最棘手的挑战车辆re-ID问题是车辆的高相似性。众所周知,相同的产品在大多数情况下具有相同的外观。然而,类似汽车通过不同地区的相机时间可能不同;有一个时空相关性。因此,我们应用的时空特性车辆作为额外的约束来提高匹配精度类似的车辆gydF4y2Ba

2。相关工作gydF4y2Ba

面部识别等常见reidentification系统(gydF4y2Ba 1gydF4y2Ba,gydF4y2Ba 2gydF4y2Ba和人的认可gydF4y2Ba 3gydF4y2Ba,gydF4y2Ba 4gydF4y2Ba),和车辆reidentification逐渐成为近年来一个热门研究课题。中国和其他国家的研究人员已经多次尝试跟踪车辆。目前,常用的特征提取方法,结合支持向量机分类器,背景建模(gydF4y2Ba 5gydF4y2Ba)等为目标建立跟踪模型。建立一个分类器需要一定的初始样本。还要求目标车辆有相同的功能分布在多个摄像机之间似乎为了有一种改进的跟踪结果。背景建模方法是基于像素帧之间的相关性和健壮的实时性能,但它对光线很敏感变化和摄像机运动和无法跟踪目标在相机。gydF4y2Ba

常见的汽车功能分类包括轮廓和长度。然而,由于相机和摄像机的位置之间的距离,和角度变化和规模不适合cross-camera跟踪车辆的gydF4y2Ba 6gydF4y2Ba]。结合之前的研究利用身体。筛选功能是不变的旋转、缩放、亮度的变化,等等,这是一个高度稳定的本地特性(gydF4y2Ba 7gydF4y2Ba]。确保稳定的研究人员筛选功能目标的实时更新(gydF4y2Ba 8gydF4y2Ba]。然而,中间帧信息之间缺乏目标后穿过相机作为一个筛选功能无法描述目标信息后重新出现,导致跟踪目标的损失和无法保证cross-camera跟踪的准确性。gydF4y2Ba

自2012年以来,取得了重大突破的对象检测由于深度学习,其中最关键的技术是卷积神经网络(CNN) (gydF4y2Ba 9gydF4y2Ba- - - - - -gydF4y2Ba 11gydF4y2Ba)和地区提议算法(gydF4y2Ba 12gydF4y2Ba]。2012年,辛顿等人成功地提高了精度1000年排名前五的分类对象的类别从75%到85%通过使用深度学习AlexNet网络。从那时起,卷积神经网络已经被学者广泛认可和工业行业因其卓越的性能。除了在汽车中的应用验证(gydF4y2Ba 13gydF4y2Ba)、车辆分类(gydF4y2Ba 14gydF4y2Ba)、汽车驾驶安全(gydF4y2Ba 15gydF4y2Ba,gydF4y2Ba 16gydF4y2Ba),和属性预测(gydF4y2Ba 17gydF4y2Ba,gydF4y2Ba 18gydF4y2Ba),它也被不断应用于人工智能领域,如计算机视觉和语言识别。在此期间,卷积神经网络的体系结构和性能不断提高。文献[gydF4y2Ba 19gydF4y2Ba,gydF4y2Ba 20.gydF4y2Ba]研究语境的理解和整理信息来提高神经网络的性能。在报纸上,刘等人。gydF4y2Ba 21gydF4y2Ba- - - - - -gydF4y2Ba 23gydF4y2Ba)结合纹理、颜色和深度特性,通过融合车辆reidentification低级和高级特性,取得了积极成果的“真实”数据集。徐et al。gydF4y2Ba 24gydF4y2Ba]RepNet提议,一个多任务学习的框架,可以用来了解粗粒度和细粒度的车辆的特点。本文还使用桶搜索方法提高检索速度。gydF4y2Ba

深度学习理论的基础上,提出了一种cross-camera车辆基于特征匹配的跟踪方法和超图融合。车辆图像的算法提取多维特性,结合一个监视点的时空分布模型,并利用multifeature车辆reidentification超图融合方法。这样可以确保效率和提高车辆reidentification的准确性。gydF4y2Ba

 3所示。Multifeature超图融合gydF4y2Ba

在本节中,我们首先概述超图的概念,为什么我们需要超图表示模型汽车Re-ID问题。在第二部分中,我们描述如何构建超图通过不同方法提取车辆特征。在第三部分中,我们展示了多个超图的学习进程。gydF4y2Ba

3.1。问题定义gydF4y2Ba

基于图像识别、图像信息存储在图结构描述能力强、有效性高。但是传统的图形只考虑为代表的配对关系连接两个顶点的边缘。相对,超图可以描述多个高阶关系对象的边缘可以包含多个顶点。gydF4y2Ba

超图由顶点和hyperedges集。超图的顶点代表图像的特征元素,而hyperedges代表这些特征元素之间的关系。每个hyperedge可以连接到两个以上顶点。超图的相关矩阵H的大小gydF4y2Ba VgydF4y2Ba ×gydF4y2Ba EgydF4y2Ba 定义,即gydF4y2Ba VgydF4y2Ba 和gydF4y2Ba EgydF4y2Ba 代表顶点集的基数和hyperedge集,分别。H的每个元素的值gydF4y2Ba (1)gydF4y2Ba hgydF4y2Ba vgydF4y2Ba ,gydF4y2Ba egydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 如果gydF4y2Ba vgydF4y2Ba ∈gydF4y2Ba egydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba 如果gydF4y2Ba vgydF4y2Ba ∉gydF4y2Ba egydF4y2Ba 。gydF4y2Ba

表明如果顶点gydF4y2Ba vgydF4y2Ba 连接到边缘gydF4y2Ba egydF4y2Ba 。gydF4y2Ba

顶点的程度gydF4y2Ba vgydF4y2Ba ∈gydF4y2Ba VgydF4y2Ba 超图的定义是gydF4y2Ba (2)gydF4y2Ba dgydF4y2Ba vgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba egydF4y2Ba ∈gydF4y2Ba EgydF4y2Ba wgydF4y2Ba egydF4y2Ba hgydF4y2Ba vgydF4y2Ba ,gydF4y2Ba egydF4y2Ba ,gydF4y2Ba

wgydF4y2Ba egydF4y2Ba 总重量是所有相关hyperedges顶点gydF4y2Ba vgydF4y2Ba 和hyperedge的程度gydF4y2Ba egydF4y2Ba ∈gydF4y2Ba EgydF4y2Ba 被定义为gydF4y2Ba (3)gydF4y2Ba δgydF4y2Ba egydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba vgydF4y2Ba ∈gydF4y2Ba VgydF4y2Ba hgydF4y2Ba vgydF4y2Ba ,gydF4y2Ba egydF4y2Ba 。gydF4y2Ba

代表着hyperedge连接的顶点数gydF4y2Ba egydF4y2Ba 。gydF4y2Ba

regularisation框架分类可以表示为gydF4y2Ba (4)gydF4y2Ba argmingydF4y2Ba fgydF4y2Ba λgydF4y2Ba RgydF4y2Ba 电磁脉冲gydF4y2Ba fgydF4y2Ba +gydF4y2Ba ΩgydF4y2Ba fgydF4y2Ba

fgydF4y2Ba 是分类函数,gydF4y2Ba RgydF4y2Ba 电磁脉冲gydF4y2Ba fgydF4y2Ba 是经验损失函数,gydF4y2Ba λgydF4y2Ba 是正则参数,常规分类的定义是gydF4y2Ba ωgydF4y2Ba fgydF4y2Ba (5)gydF4y2Ba ΩgydF4y2Ba fgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba ∑gydF4y2Ba egydF4y2Ba ∈gydF4y2Ba EgydF4y2Ba ∑gydF4y2Ba ugydF4y2Ba ,gydF4y2Ba vgydF4y2Ba ∈gydF4y2Ba VgydF4y2Ba wgydF4y2Ba egydF4y2Ba hgydF4y2Ba ugydF4y2Ba ,gydF4y2Ba egydF4y2Ba hgydF4y2Ba vgydF4y2Ba ,gydF4y2Ba egydF4y2Ba δgydF4y2Ba egydF4y2Ba fgydF4y2Ba ugydF4y2Ba dgydF4y2Ba ugydF4y2Ba −gydF4y2Ba fgydF4y2Ba vgydF4y2Ba dgydF4y2Ba vgydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba

通过求解公式(gydF4y2Ba 4gydF4y2Ba),预测的结果,如分类标签,可以获得。gydF4y2Ba

 3.2。超图结构gydF4y2Ba

车辆reidentification任务时,存在着巨大的差异,通常一个单一类型的特性不能描述车辆信息。为了匹配,不同的特征提取方法用于描述图像的特征。我们为每个方法提取的特性设置超图。一个超图gydF4y2Ba GgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba VgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba EgydF4y2Ba 我gydF4y2Ba 为每个特性是建立描述和每个顶点代表一个图像。gydF4y2Ba

hyperedge采用明星扩张的建设方法。它选择一个顶点为中心,与最近的顶点形成hyperedge。连接的强度是由中心和连接顶点之间的相似性。在这种情况下,只有0和1的二进制连接公式(gydF4y2Ba 1gydF4y2Ba不能使用)。相关矩阵的每个元素gydF4y2Ba HgydF4y2Ba 我gydF4y2Ba 被定义为gydF4y2Ba (6)gydF4y2Ba hgydF4y2Ba 我gydF4y2Ba vgydF4y2Ba ,gydF4y2Ba egydF4y2Ba =gydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba ,gydF4y2Ba egydF4y2Ba ,gydF4y2Ba 如果gydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba ,gydF4y2Ba egydF4y2Ba ≤gydF4y2Ba ηgydF4y2Ba 0gydF4y2Ba 如果gydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba ,gydF4y2Ba egydF4y2Ba >gydF4y2Ba ηgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba ,gydF4y2Ba egydF4y2Ba 代表顶点的连接强度gydF4y2Ba vgydF4y2Ba 和hyperedgegydF4y2Ba egydF4y2Ba 定义为gydF4y2Ba (7)gydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba ,gydF4y2Ba egydF4y2Ba =gydF4y2Ba 经验值gydF4y2Ba −gydF4y2Ba 经销gydF4y2Ba vgydF4y2Ba ,gydF4y2Ba cgydF4y2Ba 2gydF4y2Ba σgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba 经销gydF4y2Ba vgydF4y2Ba ,gydF4y2Ba cgydF4y2Ba 顶点之间的距离吗gydF4y2Ba vgydF4y2Ba 和中心gydF4y2Ba cgydF4y2Ba ,gydF4y2Ba ηgydF4y2Ba 预定义的阈值;gydF4y2Ba σgydF4y2Ba 是控制参数。gydF4y2Ba

的gydF4y2Ba 我gydF4y2Ba 超图可以表示为gydF4y2Ba (8)gydF4y2Ba ΩgydF4y2Ba 我gydF4y2Ba fgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba ∑gydF4y2Ba egydF4y2Ba ∈gydF4y2Ba EgydF4y2Ba 我gydF4y2Ba ∑gydF4y2Ba ugydF4y2Ba ,gydF4y2Ba vgydF4y2Ba ∈gydF4y2Ba VgydF4y2Ba 我gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba egydF4y2Ba hgydF4y2Ba 我gydF4y2Ba ugydF4y2Ba ,gydF4y2Ba egydF4y2Ba hgydF4y2Ba 我gydF4y2Ba vgydF4y2Ba ,gydF4y2Ba egydF4y2Ba δgydF4y2Ba 我gydF4y2Ba egydF4y2Ba ×gydF4y2Ba fgydF4y2Ba ugydF4y2Ba dgydF4y2Ba 我gydF4y2Ba ugydF4y2Ba −gydF4y2Ba fgydF4y2Ba vgydF4y2Ba dgydF4y2Ba 我gydF4y2Ba vgydF4y2Ba 2gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba egydF4y2Ba ∈gydF4y2Ba EgydF4y2Ba 我gydF4y2Ba ∑gydF4y2Ba ugydF4y2Ba ,gydF4y2Ba vgydF4y2Ba ∈gydF4y2Ba VgydF4y2Ba 我gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba egydF4y2Ba hgydF4y2Ba 我gydF4y2Ba ugydF4y2Ba ,gydF4y2Ba egydF4y2Ba hgydF4y2Ba 我gydF4y2Ba vgydF4y2Ba ,gydF4y2Ba egydF4y2Ba δgydF4y2Ba 我gydF4y2Ba egydF4y2Ba ×gydF4y2Ba fgydF4y2Ba 2gydF4y2Ba ugydF4y2Ba dgydF4y2Ba 我gydF4y2Ba ugydF4y2Ba −gydF4y2Ba fgydF4y2Ba ugydF4y2Ba fgydF4y2Ba vgydF4y2Ba dgydF4y2Ba 我gydF4y2Ba ugydF4y2Ba dgydF4y2Ba 我gydF4y2Ba vgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba ugydF4y2Ba ∈gydF4y2Ba VgydF4y2Ba 我gydF4y2Ba fgydF4y2Ba 2gydF4y2Ba ugydF4y2Ba ∑gydF4y2Ba egydF4y2Ba ∈gydF4y2Ba EgydF4y2Ba 我gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba egydF4y2Ba hgydF4y2Ba 我gydF4y2Ba ugydF4y2Ba ,gydF4y2Ba egydF4y2Ba dgydF4y2Ba 我gydF4y2Ba ugydF4y2Ba ∑gydF4y2Ba vgydF4y2Ba ∈gydF4y2Ba VgydF4y2Ba 我gydF4y2Ba hgydF4y2Ba 我gydF4y2Ba vgydF4y2Ba ,gydF4y2Ba egydF4y2Ba δgydF4y2Ba 我gydF4y2Ba egydF4y2Ba −gydF4y2Ba ∑gydF4y2Ba egydF4y2Ba ∈gydF4y2Ba EgydF4y2Ba 我gydF4y2Ba ∑gydF4y2Ba ugydF4y2Ba ,gydF4y2Ba vgydF4y2Ba ∈gydF4y2Ba VgydF4y2Ba 我gydF4y2Ba fgydF4y2Ba ugydF4y2Ba hgydF4y2Ba 我gydF4y2Ba ugydF4y2Ba ,gydF4y2Ba egydF4y2Ba wgydF4y2Ba 我gydF4y2Ba egydF4y2Ba hgydF4y2Ba 我gydF4y2Ba vgydF4y2Ba ,gydF4y2Ba egydF4y2Ba fgydF4y2Ba vgydF4y2Ba dgydF4y2Ba 我gydF4y2Ba ugydF4y2Ba dgydF4y2Ba 我gydF4y2Ba vgydF4y2Ba δgydF4y2Ba 我gydF4y2Ba egydF4y2Ba =gydF4y2Ba fgydF4y2Ba ⊤gydF4y2Ba ΙgydF4y2Ba −gydF4y2Ba ΘgydF4y2Ba 我gydF4y2Ba fgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba ΘgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba DgydF4y2Ba vgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba 2gydF4y2Ba HgydF4y2Ba 我gydF4y2Ba WgydF4y2Ba 我gydF4y2Ba DgydF4y2Ba egydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba HgydF4y2Ba 我gydF4y2Ba ⊤gydF4y2Ba DgydF4y2Ba vgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba DgydF4y2Ba vgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 是一个对角矩阵的对角元素是顶点的度计算公式(gydF4y2Ba 2gydF4y2Ba)。gydF4y2Ba DgydF4y2Ba egydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 也是一个对角矩阵的对角元素的学位hyperedge计算使用公式(gydF4y2Ba 3gydF4y2Ba)。gydF4y2Ba WgydF4y2Ba 我gydF4y2Ba 是对角矩阵的对角元素是hyperedge重量。因为不同的连接强度公式是(gydF4y2Ba 6gydF4y2Ba),它是集作为一个单元矩阵的实验。gydF4y2Ba fgydF4y2Ba 学习了相关向量包含查询图像和其他图像之间的相似性。的regularisation超图结构的约束条件下(gydF4y2Ba 8gydF4y2Ba)表明,越是hyperedge连接两个顶点,他们分享相似的标签的概率就越高。此外,gydF4y2Ba ΔgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 我gydF4y2Ba −gydF4y2Ba ΘgydF4y2Ba 我gydF4y2Ba 超图的拉普拉斯算子,regularisation图变成了gydF4y2Ba (9)gydF4y2Ba ΩgydF4y2Ba 我gydF4y2Ba fgydF4y2Ba =gydF4y2Ba fgydF4y2Ba ⊤gydF4y2Ba ∆gydF4y2Ba 我gydF4y2Ba fgydF4y2Ba 。gydF4y2Ba

3.3。超图融合gydF4y2Ba 3.3.1。Regularisation的图gydF4y2Ba

为每个特性构造一个超图描述,我们获得gydF4y2Ba ngydF4y2Ba fgydF4y2Ba 超图gydF4y2Ba GgydF4y2Ba 1gydF4y2Ba =gydF4y2Ba VgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba EgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba GgydF4y2Ba 2gydF4y2Ba =gydF4y2Ba VgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba EgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ⋯gydF4y2Ba ,gydF4y2Ba GgydF4y2Ba ngydF4y2Ba fgydF4y2Ba =gydF4y2Ba VgydF4y2Ba ngydF4y2Ba fgydF4y2Ba ,gydF4y2Ba EgydF4y2Ba ngydF4y2Ba fgydF4y2Ba 基于不同的权重,这些图形融合和每一个超图都有重量gydF4y2Ba αgydF4y2Ba 我gydF4y2Ba ,所有超图的权值的总和是1;然后,整个regularisation多个超图上表示为gydF4y2Ba (10)gydF4y2Ba ΩgydF4y2Ba fgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba fgydF4y2Ba αgydF4y2Ba 我gydF4y2Ba ∑gydF4y2Ba egydF4y2Ba ∈gydF4y2Ba EgydF4y2Ba 我gydF4y2Ba ∑gydF4y2Ba ugydF4y2Ba ,gydF4y2Ba vgydF4y2Ba ∈gydF4y2Ba VgydF4y2Ba 我gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba egydF4y2Ba hgydF4y2Ba 我gydF4y2Ba ugydF4y2Ba ,gydF4y2Ba egydF4y2Ba hgydF4y2Ba 我gydF4y2Ba vgydF4y2Ba ,gydF4y2Ba egydF4y2Ba δgydF4y2Ba 我gydF4y2Ba egydF4y2Ba ×gydF4y2Ba fgydF4y2Ba ugydF4y2Ba dgydF4y2Ba 我gydF4y2Ba ugydF4y2Ba −gydF4y2Ba fgydF4y2Ba vgydF4y2Ba dgydF4y2Ba 我gydF4y2Ba vgydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba

结合公式(gydF4y2Ba 8gydF4y2Ba),(gydF4y2Ba 10gydF4y2Ba)可以表示为gydF4y2Ba (11)gydF4y2Ba ΩgydF4y2Ba fgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba fgydF4y2Ba αgydF4y2Ba 我gydF4y2Ba fgydF4y2Ba ⊤gydF4y2Ba ΙgydF4y2Ba −gydF4y2Ba ΘgydF4y2Ba 我gydF4y2Ba fgydF4y2Ba =gydF4y2Ba fgydF4y2Ba ⊤gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba fgydF4y2Ba αgydF4y2Ba 我gydF4y2Ba ΙgydF4y2Ba −gydF4y2Ba ΘgydF4y2Ba 我gydF4y2Ba fgydF4y2Ba =gydF4y2Ba fgydF4y2Ba ⊤gydF4y2Ba ∆gydF4y2Ba ^gydF4y2Ba fgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba ΔgydF4y2Ba ̂gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba fgydF4y2Ba αgydF4y2Ba 我gydF4y2Ba 我gydF4y2Ba −gydF4y2Ba ΘgydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba

 3.3.2。Regularisation图的重量gydF4y2Ba

权重不同的超图是相关的。超图(即具有相似结构。,年代我milar correlation matrices) are expected to have similar weight. The similarity between hypergraphs GgydF4y2Ba 我gydF4y2Ba 和gydF4y2Ba GgydF4y2Ba jgydF4y2Ba 被定义为gydF4y2Ba (12)gydF4y2Ba γgydF4y2Ba GgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba GgydF4y2Ba jgydF4y2Ba =gydF4y2Ba 经验值gydF4y2Ba −gydF4y2Ba HgydF4y2Ba 我gydF4y2Ba −gydF4y2Ba HgydF4y2Ba jgydF4y2Ba FgydF4y2Ba 2gydF4y2Ba σgydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba

两个超图的相似性来衡量gydF4y2Ba FgydF4y2Ba 规范的两个相关矩阵。相关矩阵gydF4y2Ba ΓgydF4y2Ba 超图表示为之间gydF4y2Ba ΓgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba =gydF4y2Ba γgydF4y2Ba GgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba GgydF4y2Ba jgydF4y2Ba 。gydF4y2Ba

多个超图的权值被定义为gydF4y2Ba αgydF4y2Ba =gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba αgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ⋯gydF4y2Ba ,gydF4y2Ba αgydF4y2Ba ngydF4y2Ba fgydF4y2Ba ;权重的成本函数的超图gydF4y2Ba (13)gydF4y2Ba JgydF4y2Ba αgydF4y2Ba =gydF4y2Ba αgydF4y2Ba ⊤gydF4y2Ba ΙgydF4y2Ba −gydF4y2Ba 年代gydF4y2Ba αgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba 年代gydF4y2Ba =gydF4y2Ba DgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba 2gydF4y2Ba ΓgydF4y2Ba DgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba DgydF4y2Ba 是一个对角矩阵,gydF4y2Ba DgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba ΓgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 。此外,超图权重L2主旨是为了避免超图太大。gydF4y2Ba

 3.3.3。经验损失函数gydF4y2Ba

经验损失函数gydF4y2Ba RgydF4y2Ba 电磁脉冲gydF4y2Ba fgydF4y2Ba 在公式(gydF4y2Ba 4gydF4y2Ba)可以表示为gydF4y2Ba (14)gydF4y2Ba RgydF4y2Ba 电磁脉冲gydF4y2Ba fgydF4y2Ba =gydF4y2Ba fgydF4y2Ba −gydF4y2Ba ygydF4y2Ba 2gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba ugydF4y2Ba ∈gydF4y2Ba VgydF4y2Ba fgydF4y2Ba ugydF4y2Ba −gydF4y2Ba ygydF4y2Ba ugydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba

ygydF4y2Ba 的向量二进制标记。本文联系查询图像和图像匹配可以被看作是一个分类问题。标签向量gydF4y2Ba ygydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba NgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba NgydF4y2Ba 的总数是在图像库中图像匹配,和第一个元素对应查询图像设置为1,其余都设置为0。gydF4y2Ba

 3.3.4。目标函数gydF4y2Ba

结合目标损失函数gydF4y2Ba RgydF4y2Ba 电磁脉冲gydF4y2Ba fgydF4y2Ba 在公式(gydF4y2Ba 14gydF4y2Ba),regularisation图表gydF4y2Ba RgydF4y2Ba 电磁脉冲gydF4y2Ba fgydF4y2Ba 在公式(gydF4y2Ba 14gydF4y2Ba),超图regularisation重量gydF4y2Ba JgydF4y2Ba αgydF4y2Ba 在公式(gydF4y2Ba 13gydF4y2Ba)和L2体重regularisationgydF4y2Ba αgydF4y2Ba ,整体目标函数进行优化gydF4y2Ba (15)gydF4y2Ba ”gydF4y2Ba argmingydF4y2Ba fgydF4y2Ba ,gydF4y2Ba αgydF4y2Ba ΩgydF4y2Ba fgydF4y2Ba +gydF4y2Ba λgydF4y2Ba 1gydF4y2Ba RgydF4y2Ba 电磁脉冲gydF4y2Ba fgydF4y2Ba +gydF4y2Ba λgydF4y2Ba 2gydF4y2Ba JgydF4y2Ba αgydF4y2Ba +gydF4y2Ba λgydF4y2Ba 3gydF4y2Ba αgydF4y2Ba ⊤gydF4y2Ba αgydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba 。gydF4y2Ba tgydF4y2Ba 。gydF4y2Ba αgydF4y2Ba ⊤gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba

引入的目的gydF4y2Ba λgydF4y2Ba 我gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 3gydF4y2Ba 平衡成本函数的所有部分,提供一个最佳的成本函数。具体地说,gydF4y2Ba λgydF4y2Ba 1gydF4y2Ba 参数控制的损失经验,gydF4y2Ba λgydF4y2Ba 2gydF4y2Ba 是控制体重的参数图定义为成本函数的公式(gydF4y2Ba 13gydF4y2Ba),gydF4y2Ba λgydF4y2Ba 3gydF4y2Ba 超图的L2 regularisation参数重量是gydF4y2Ba αgydF4y2Ba 。公式(gydF4y2Ba 15gydF4y2Ba)可以表示为gydF4y2Ba (16)gydF4y2Ba argmingydF4y2Ba fgydF4y2Ba ,gydF4y2Ba αgydF4y2Ba fgydF4y2Ba ⊤gydF4y2Ba ∆gydF4y2Ba ^gydF4y2Ba fgydF4y2Ba +gydF4y2Ba λgydF4y2Ba 1gydF4y2Ba fgydF4y2Ba −gydF4y2Ba ygydF4y2Ba 2gydF4y2Ba +gydF4y2Ba λgydF4y2Ba 2gydF4y2Ba αgydF4y2Ba ⊤gydF4y2Ba ΙgydF4y2Ba −gydF4y2Ba 年代gydF4y2Ba αgydF4y2Ba +gydF4y2Ba λgydF4y2Ba 3gydF4y2Ba αgydF4y2Ba ⊤gydF4y2Ba αgydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba 。gydF4y2Ba tgydF4y2Ba 。gydF4y2Ba αgydF4y2Ba ⊤gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba

3.3.5。优化gydF4y2Ba

为了理解优化公式(gydF4y2Ba 16gydF4y2Ba),用于更新的迭代方法gydF4y2Ba fgydF4y2Ba 和gydF4y2Ba αgydF4y2Ba 。gydF4y2Ba

当gydF4y2Ba αgydF4y2Ba 是固定的,优化的gydF4y2Ba fgydF4y2Ba 就变成了gydF4y2Ba (17)gydF4y2Ba argmingydF4y2Ba fgydF4y2Ba ,gydF4y2Ba αgydF4y2Ba fgydF4y2Ba ⊤gydF4y2Ba ∆gydF4y2Ba ^gydF4y2Ba fgydF4y2Ba +gydF4y2Ba λgydF4y2Ba 1gydF4y2Ba fgydF4y2Ba −gydF4y2Ba ygydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba

公式(gydF4y2Ba 17gydF4y2Ba)衍生物gydF4y2Ba fgydF4y2Ba 的解析解gydF4y2Ba fgydF4y2Ba 是gydF4y2Ba (18)gydF4y2Ba fgydF4y2Ba =gydF4y2Ba ΙgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba λgydF4y2Ba 1gydF4y2Ba ∆gydF4y2Ba ∧gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ygydF4y2Ba 。gydF4y2Ba

因为参与矩阵的逆矩阵,逆的计算是不可能的gydF4y2Ba ΔgydF4y2Ba ̂gydF4y2Ba 直接当gydF4y2Ba ΔgydF4y2Ba ̂gydF4y2Ba 变得更大。因此,解决方案的gydF4y2Ba fgydF4y2Ba 迭代可以得到以下公式。gydF4y2Ba (19)gydF4y2Ba fgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba λgydF4y2Ba 1gydF4y2Ba ΙgydF4y2Ba −gydF4y2Ba ∆gydF4y2Ba ^gydF4y2Ba fgydF4y2Ba tgydF4y2Ba +gydF4y2Ba λgydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba λgydF4y2Ba 1gydF4y2Ba ygydF4y2Ba 。gydF4y2Ba

tgydF4y2Ba 是迭代的数量,以确保迭代过程的收敛公式(gydF4y2Ba 19gydF4y2Ba)。gydF4y2Ba

当gydF4y2Ba fgydF4y2Ba 是固定的,优化的gydF4y2Ba αgydF4y2Ba 就变成了gydF4y2Ba (20)gydF4y2Ba argmingydF4y2Ba αgydF4y2Ba fgydF4y2Ba ⊤gydF4y2Ba ∆gydF4y2Ba ^gydF4y2Ba fgydF4y2Ba +gydF4y2Ba λgydF4y2Ba 2gydF4y2Ba αgydF4y2Ba ⊤gydF4y2Ba ΙgydF4y2Ba −gydF4y2Ba 年代gydF4y2Ba αgydF4y2Ba +gydF4y2Ba λgydF4y2Ba 3gydF4y2Ba αgydF4y2Ba ⊤gydF4y2Ba αgydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba 。gydF4y2Ba tgydF4y2Ba 。gydF4y2Ba αgydF4y2Ba ⊤gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba

拉格朗日函数的公式(gydF4y2Ba 20.gydF4y2Ba)可以写成gydF4y2Ba (21)gydF4y2Ba lgydF4y2Ba αgydF4y2Ba ,gydF4y2Ba γgydF4y2Ba =gydF4y2Ba fgydF4y2Ba ⊤gydF4y2Ba ∆gydF4y2Ba ^gydF4y2Ba fgydF4y2Ba +gydF4y2Ba λgydF4y2Ba 2gydF4y2Ba αgydF4y2Ba ⊤gydF4y2Ba ΙgydF4y2Ba −gydF4y2Ba 年代gydF4y2Ba αgydF4y2Ba +gydF4y2Ba λgydF4y2Ba 3gydF4y2Ba αgydF4y2Ba ⊤gydF4y2Ba αgydF4y2Ba +gydF4y2Ba γgydF4y2Ba αgydF4y2Ba ⊤gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba fgydF4y2Ba ⊤gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba fgydF4y2Ba αgydF4y2Ba 我gydF4y2Ba ΙgydF4y2Ba −gydF4y2Ba ΘgydF4y2Ba 我gydF4y2Ba fgydF4y2Ba +gydF4y2Ba λgydF4y2Ba 2gydF4y2Ba αgydF4y2Ba ⊤gydF4y2Ba ΙgydF4y2Ba −gydF4y2Ba 年代gydF4y2Ba αgydF4y2Ba +gydF4y2Ba λgydF4y2Ba 3gydF4y2Ba αgydF4y2Ba ⊤gydF4y2Ba αgydF4y2Ba +gydF4y2Ba γgydF4y2Ba αgydF4y2Ba ⊤gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba fgydF4y2Ba αgydF4y2Ba 我gydF4y2Ba fgydF4y2Ba ⊤gydF4y2Ba ΙgydF4y2Ba −gydF4y2Ba ΘgydF4y2Ba 我gydF4y2Ba fgydF4y2Ba +gydF4y2Ba λgydF4y2Ba 2gydF4y2Ba αgydF4y2Ba ⊤gydF4y2Ba ΙgydF4y2Ba −gydF4y2Ba 年代gydF4y2Ba αgydF4y2Ba +gydF4y2Ba λgydF4y2Ba 3gydF4y2Ba αgydF4y2Ba ⊤gydF4y2Ba αgydF4y2Ba +gydF4y2Ba γgydF4y2Ba αgydF4y2Ba ⊤gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba αgydF4y2Ba ⊤gydF4y2Ba PgydF4y2Ba +gydF4y2Ba λgydF4y2Ba 2gydF4y2Ba αgydF4y2Ba ⊤gydF4y2Ba ΙgydF4y2Ba −gydF4y2Ba 年代gydF4y2Ba αgydF4y2Ba +gydF4y2Ba λgydF4y2Ba 3gydF4y2Ba αgydF4y2Ba ⊤gydF4y2Ba αgydF4y2Ba +gydF4y2Ba γgydF4y2Ba αgydF4y2Ba ⊤gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba PgydF4y2Ba =gydF4y2Ba fgydF4y2Ba ⊤gydF4y2Ba 我gydF4y2Ba −gydF4y2Ba ΘgydF4y2Ba 1gydF4y2Ba fgydF4y2Ba ,gydF4y2Ba ⋯gydF4y2Ba ,gydF4y2Ba fgydF4y2Ba ⊤gydF4y2Ba 我gydF4y2Ba −gydF4y2Ba ΘgydF4y2Ba ngydF4y2Ba fgydF4y2Ba fgydF4y2Ba ⊤gydF4y2Ba 。公式(gydF4y2Ba 21gydF4y2Ba)衍生物gydF4y2Ba αgydF4y2Ba 将它设置为0,gydF4y2Ba αgydF4y2Ba 可以解决使用公式(gydF4y2Ba 22gydF4y2Ba)。gydF4y2Ba (22)gydF4y2Ba αgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba λgydF4y2Ba 2gydF4y2Ba 年代gydF4y2Ba −gydF4y2Ba λgydF4y2Ba 2gydF4y2Ba +gydF4y2Ba λgydF4y2Ba 3gydF4y2Ba ΙgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba γgydF4y2Ba 1gydF4y2Ba +gydF4y2Ba pgydF4y2Ba 。gydF4y2Ba

因为gydF4y2Ba αgydF4y2Ba ⊤gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ⊤gydF4y2Ba αgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba γgydF4y2Ba 可以用下面的公式来解决。gydF4y2Ba (23)gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba 1gydF4y2Ba ⊤gydF4y2Ba λgydF4y2Ba 2gydF4y2Ba 年代gydF4y2Ba −gydF4y2Ba λgydF4y2Ba 2gydF4y2Ba +gydF4y2Ba λgydF4y2Ba 3gydF4y2Ba ΙgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba γgydF4y2Ba 1gydF4y2Ba +gydF4y2Ba pgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba

此外,gydF4y2Ba 问gydF4y2Ba =gydF4y2Ba λgydF4y2Ba 2gydF4y2Ba 年代gydF4y2Ba −gydF4y2Ba λgydF4y2Ba 2gydF4y2Ba +gydF4y2Ba λgydF4y2Ba 3gydF4y2Ba 我gydF4y2Ba 的解决方案gydF4y2Ba γgydF4y2Ba 可以由公式(gydF4y2Ba 23gydF4y2Ba)如以下公式所示。gydF4y2Ba (24)gydF4y2Ba γgydF4y2Ba =gydF4y2Ba 2gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ⊤gydF4y2Ba 问gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba pgydF4y2Ba 1gydF4y2Ba ⊤gydF4y2Ba 问gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba

替代的解决方案gydF4y2Ba γgydF4y2Ba 回公式(gydF4y2Ba 22gydF4y2Ba),超图的权向量gydF4y2Ba αgydF4y2Ba 可以用以下公式。gydF4y2Ba (25)gydF4y2Ba αgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba 问gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ⊤gydF4y2Ba 问gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba pgydF4y2Ba 1gydF4y2Ba ⊤gydF4y2Ba 问gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba PgydF4y2Ba 。gydF4y2Ba

迭代、更新gydF4y2Ba fgydF4y2Ba 和gydF4y2Ba αgydF4y2Ba 直到收敛和reidentification结果通过排名了解相关向量匹配结果的相关性gydF4y2Ba fgydF4y2Ba 。gydF4y2Ba

 4所示。时空相关性gydF4y2Ba

车辆reidentification的过程中,除了利用图像匹配的特征提取方法,我们也需要考虑车辆移动时的时空关系。数据集提出了图像清晰,较低,很难达到最优结果仅供车辆reidentification通过特征匹配。同时,这个数据集有丰富和全面的时空信息比其他公共汽车reidentification数据集,包括车辆的位置、速度和运行时间。因此,时空相关性模型建立基于该数据集可以提供有针对性的、高效的时空信息的提取。gydF4y2Ba

车辆reidentification reidentification不同于人。人强大的特质和每个人的独特性程度是由外表,着装,发型,和其他个人特征,便于确定两幅图像是否相同的人。车辆有高度的相似性。无视车牌信息和外部汽车修改细节,车辆相同的品牌,制造和模型具有高度的相似性。车辆图像分辨率较低的数据集,车牌信息不能作为判断的基础和其他不清楚细节,如窗口贴纸,确定是否同样的车辆根据外观特征将对精度有很大的影响。gydF4y2Ba

此数据集时,综合交通流参数保存为参考因素的时空关系。每辆车都有对应的监视点形象,通过这个点的时间,速度。监视点之间的距离测量和存储在距离矩阵。此外,除了记录当前车辆的速度,还计算出车辆的平均速度通过两个监视点作为参考,从而提高时空相关性计算的准确性。gydF4y2Ba

可以表达的时空关系在许多方面,但它遵循相同的原则。相同的车辆将不存在两个遥远的位置在很短的时间范围内,和相同的车辆出现在两个地点将会在很短的时间内。本文计算车辆的平均速度的一致性通过两个点和实际情况,两辆车的时空距离。计算方法是gydF4y2Ba (26)gydF4y2Ba 说gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba =gydF4y2Ba λgydF4y2Ba 1gydF4y2Ba VgydF4y2Ba 我gydF4y2Ba +gydF4y2Ba VgydF4y2Ba jgydF4y2Ba /gydF4y2Ba 2gydF4y2Ba +gydF4y2Ba λgydF4y2Ba 2gydF4y2Ba VgydF4y2Ba 大街gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba +gydF4y2Ba λgydF4y2Ba 3gydF4y2Ba VgydF4y2Ba limgydF4y2Ba −gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba /gydF4y2Ba TgydF4y2Ba jgydF4y2Ba −gydF4y2Ba TgydF4y2Ba 我gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba /gydF4y2Ba TgydF4y2Ba jgydF4y2Ba −gydF4y2Ba TgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba 我gydF4y2Ba 和gydF4y2Ba jgydF4y2Ba 代表两个车辆图像,gydF4y2Ba VgydF4y2Ba 我gydF4y2Ba 和gydF4y2Ba VgydF4y2Ba jgydF4y2Ba 是当前的两辆车的速度,然后呢gydF4y2Ba VgydF4y2Ba 大街gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 表示两点之间的车辆的平均速度的两辆车,分别。gydF4y2Ba VgydF4y2Ba limgydF4y2Ba 的最大限速60公里/小时,然后呢gydF4y2Ba λgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba λgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba λgydF4y2Ba 3gydF4y2Ba 代表的重量参数两个点的平均速度、路段的平均速度、最大速度限制的道路。gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba /gydF4y2Ba TgydF4y2Ba jgydF4y2Ba −gydF4y2Ba TgydF4y2Ba 我gydF4y2Ba 显示的实际平均速度两辆车经过两个点,gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 两个点之间的距离,gydF4y2Ba TgydF4y2Ba jgydF4y2Ba 和gydF4y2Ba TgydF4y2Ba 我gydF4y2Ba 引用时记录的时间两个车辆当前位置。时空的距离gydF4y2Ba 说gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 计算的概率如果两辆车都是相同的车辆的时空相关性。值越大,时空的距离越远,就越不可能是相同的。值越小,时空的距离越近,越有可能是相同的。后获得相似向量计算与multifeature超图融合方法,查询图像之间的时空距离,每个匹配图像计算和匹配的序列重新排序,结合相似和时空的距离,以获得更准确的reidentification结果。gydF4y2Ba

 5。数据集gydF4y2Ba

在实际应用场景中,车辆图像质量往往是穷人,从而无法使用现有的高清数据集应用方法。因此,我们提出一个基于真实车辆rerecognition数据集交通监控与低分辨率。和我们的数据集包含了车辆的时空关系。gydF4y2Ba

我们的数据集是基于北京机场高速监控和监测通州却很大。相机点所示的数据gydF4y2Ba 2gydF4y2Ba和gydF4y2Ba 3gydF4y2Ba显然,我们已经记录了这些点。快R-CNN和匈牙利算法被用来探测和跟踪的车辆交通监控录像提出车辆类型、速度、和时间和存储车辆ID和视频点ID与当地的车辆图像。gydF4y2Ba

点分布和车辆定位的方向进入北京。gydF4y2Ba

点分布和车辆定位的方向离开北京。gydF4y2Ba

我们的数据集由三部分组成:606辆汽车进入北京机场高速公路,662辆汽车离开北京机场高速公路,638辆汽车的方向进入北京的通州却很大。数据集的三个部分相对独立,和拍摄角度相同的数据是相对一致的一部分。一些机场高速公路图像的分辨率gydF4y2Ba 80年gydF4y2Ba ×gydF4y2Ba 80年gydF4y2Ba 。相机的角度的方向进入北京显示了后方的车辆,和相机的方向离开北京显示了前面的车。通州却很大的图像质量相对较高,解决gydF4y2Ba 150年gydF4y2Ba ×gydF4y2Ba 150年gydF4y2Ba 。一些例子如图所示gydF4y2Ba 4gydF4y2Ba。gydF4y2Ba

数据集的5分通周进入北京的却很大。gydF4y2Ba

 6。实验结果和分析gydF4y2Ba 6.1。评价指标gydF4y2Ba

评价指标,意味着平均精度(mAP),平均精度(美联社)之和multiclassification任务。计算的平均精度,我们需要首先获得准确率和召回率。精确的比例图像具有相同ID作为查询图像查询结果,也就是说,有多少匹配车辆的图片是正确的。回忆如果图像的数量的比率相同的ID查询图像的查询结果的总数图片在搜索数据库,也就是说,有多少正确的检索结果。如果用正确的预测是TP阳性样本的数量,积极和样品的数量不正确的预测是FP,负样本的数量与正确的预测是TN,负样本的数量和预测误差是FN,计算方法的准确率P和召回率R是如以下公式所示。gydF4y2Ba (27)gydF4y2Ba PgydF4y2Ba =gydF4y2Ba TPgydF4y2Ba TPgydF4y2Ba +gydF4y2Ba 《外交政策》gydF4y2Ba ,gydF4y2Ba RgydF4y2Ba =gydF4y2Ba TPgydF4y2Ba TPgydF4y2Ba +gydF4y2Ba FNgydF4y2Ba 。gydF4y2Ba

虽然准确率和召回率似乎有一定的意义,它们不能直接用来评价里德的性能模型。因此,公关图导出查询结果的数量逐渐增加。从第一个到最后一个查询结果的系统,精度和召回率对应的每个点都绘制在图上获得一个曲线图表。gydF4y2Ba

这个公关曲线包围的面积和坐标轴或AP,可以在一定程度上反映了模型的性能。通过排序美联社,公式可以表示为gydF4y2Ba (28)gydF4y2Ba 美联社gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba PgydF4y2Ba kgydF4y2Ba ×gydF4y2Ba ggydF4y2Ba tgydF4y2Ba kgydF4y2Ba NgydF4y2Ba ggydF4y2Ba tgydF4y2Ba

在哪里gydF4y2Ba ngydF4y2Ba 汽车的数量在测试集,gydF4y2Ba NgydF4y2Ba ggydF4y2Ba tgydF4y2Ba 代表的车辆图像的数量实际上是查询相关图像在其他地方,gydF4y2Ba PgydF4y2Ba kgydF4y2Ba 代表第k结果,匹配的准确性gydF4y2Ba ggydF4y2Ba tgydF4y2Ba kgydF4y2Ba 是一个象征性的函数。如果gydF4y2Ba kgydF4y2Ba th图像和查询图像属于相同的ID,返回1,否则返回0。美联社是查询图像的平均精度,因此,所有查询的平均精度图像地图可以表示为gydF4y2Ba (29)gydF4y2Ba 地图gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 问gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 问gydF4y2Ba 一个gydF4y2Ba PgydF4y2Ba 问gydF4y2Ba 问gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba 问gydF4y2Ba 是查询图像的总数。除了地图,本文还选择1级和5级辅助绩效评估标准。等级1的概率代表图像匹配结果中排名第一序列是正确的结果,和5级代表正确的概率导致第一个5位数。gydF4y2Ba

 6.2。算法性能和结果分析gydF4y2Ba

本文的数据集选择车辆reidentification实验车辆reidentification基于交通视频监控的图像库构建在第5章。图像被随机和统一选为训练集和测试集。需要多次实验和平均值作为最终的实验结果。gydF4y2Ba

该方法选择三个特征提取算法,即筛选,ORB和HSV。在此基础上,multifeature超图融合和时空相关性约束,和准确性明显提高。表gydF4y2Ba 1gydF4y2Ba- - - - - -gydF4y2Ba 4gydF4y2Ba显示具体的实验结果。gydF4y2Ba

瑞德进入北京的机场高速公路车辆的准确性。gydF4y2Ba

方法gydF4y2Ba 地图(%)gydF4y2Ba 1级(%)gydF4y2Ba 5级(%)gydF4y2Ba
筛选+ ORB + HSVgydF4y2Ba 14.34gydF4y2Ba 33.54gydF4y2Ba 46.87gydF4y2Ba
筛选+ ORB + HSV + HGgydF4y2Ba 18.36gydF4y2Ba 42.71gydF4y2Ba 51.32gydF4y2Ba
筛选+ ORB + HSV + HG + s - tgydF4y2Ba 23.46gydF4y2Ba 51.11gydF4y2Ba 68.63gydF4y2Ba

里德的准确性机场高速公路车辆离开北京。gydF4y2Ba

方法gydF4y2Ba 地图(%)gydF4y2Ba 1级(%)gydF4y2Ba 5级(%)gydF4y2Ba
筛选+ ORB + HSVgydF4y2Ba 16.15gydF4y2Ba 35.64gydF4y2Ba 48.24gydF4y2Ba
筛选+ ORB + HSV + HGgydF4y2Ba 19.73gydF4y2Ba 44.54gydF4y2Ba 57.95gydF4y2Ba
筛选+ ORB + HSV + HG + s - tgydF4y2Ba 24.79gydF4y2Ba 52.68gydF4y2Ba 72.15gydF4y2Ba

里德通周G103车辆进入北京的准确性。gydF4y2Ba

方法gydF4y2Ba 地图(%)gydF4y2Ba 1级(%)gydF4y2Ba 5级(%)gydF4y2Ba
筛选+ ORB + HSVgydF4y2Ba 22.21gydF4y2Ba 47.25gydF4y2Ba 66.95gydF4y2Ba
筛选+ ORB + HSV + HGgydF4y2Ba 26.52gydF4y2Ba 56.24gydF4y2Ba 81.31gydF4y2Ba
筛选+ ORB + HSV + HG + s - tgydF4y2Ba 30.46gydF4y2Ba 75.11gydF4y2Ba 88.63gydF4y2Ba

里德方法的精度比较。gydF4y2Ba

方法gydF4y2Ba 地图(%)gydF4y2Ba 1级(%)gydF4y2Ba 5级(%)gydF4y2Ba
AlexNetgydF4y2Ba 9.69gydF4y2Ba 42.39gydF4y2Ba 55.09gydF4y2Ba
GoogLeNetgydF4y2Ba 17.88gydF4y2Ba 58.87gydF4y2Ba 74.10gydF4y2Ba
事实gydF4y2Ba 18.49gydF4y2Ba 50.95gydF4y2Ba 73.48gydF4y2Ba
+板+ STRgydF4y2Ba 27.77gydF4y2Ba 61.44gydF4y2Ba 78.78gydF4y2Ba
筛选+ ORB + HSV + s - t + HGgydF4y2Ba 30.46gydF4y2Ba 75.11gydF4y2Ba 88.63gydF4y2Ba

表gydF4y2Ba 1gydF4y2Ba- - - - - -gydF4y2Ba 3gydF4y2Ba显示北京reidentification三个数据集的结果的入站和出站的车辆在机场高速公路和通州却很大。筛选+ ORB + HSV本文所选择的三种特征提取方法通过设置权重参数的简单融合。HG的添加multifeature超图融合方法,和s - t是时空相关性约束。结果表gydF4y2Ba 1gydF4y2Ba机场高速公路车辆进入北京相对贫穷。一些数据集的拍摄角度的后方车辆,和特征不明显的比前面的车辆。表的拍摄角度gydF4y2Ba 2gydF4y2Ba机场高速公路车辆离开杰作:前面的车辆和识别精度略有改善。然而,高速公路的明确性是穷人,和数据集的图像质量较低,这对车辆reidentification有很大的影响,从而降低reidentification精度的机场高速公路。相比gydF4y2Ba 80年gydF4y2Ba ×gydF4y2Ba 80年gydF4y2Ba 图像像素的机场高速公路,部分数据集的图像分辨率通州却很大gydF4y2Ba 150年gydF4y2Ba ×gydF4y2Ba 150年gydF4y2Ba 和车辆显著提高的明确性。因此,reidentification部分数据集的实验结果通州G103相比显著提高机场高速公路。它可以发现在这三个表添加multifeature超图融合方法的准确性显著提高reidentification和时空相关性的添加约束,进一步提高精度,证明的有效性结合multifeature超图融合与时空相关性。表gydF4y2Ba 4gydF4y2Ba比较该方法的实验结果与其他四个真实数据集上的方法,在一定程度上证明本文提出的方法的先进性。gydF4y2Ba

虽然reidentification方法提出了大大提高了结果与其他方法相比,其精度没有达到最好的和最优状态。有许多因素影响车辆reidentification方法的准确性。首先,有些摄像头安装在十字路口。当车辆到达十字路口时,它会慢下来,停止,或开始逐渐影响了速度测量的准确性。其次,时空相关性模型没有考虑之间的交通信号灯监视点的数量,不同的等待时间,导致使用时空特性是不准确的。视频最后,定义缺乏清晰,保存车辆图像模糊、车辆轮廓尚不清楚,有一定程度的颜色差异在一些车辆图像。所有这些因素导致reidentification精度的降低。gydF4y2Ba

由于我们的数据集是来自真实的交通视频,视频分辨率低,图像保存也是如此。此外,图像差异相同的车辆在这个数据集在不同相机远远大于相同的制造和模型,但不同的车辆在同样的相机。车辆图像数据集使用的其他方法是清晰的和显示锐利的细节,这使得本文的数据集不适合用于其他reidentification的方法。此外,这个数据集包含一个相对全面的时空关联信息,包括位置、速度和时间,并考虑车辆速度的重要参数,而其他数据集不存储信息,如车速,使其他公共数据集不相宜的适用于这种方法。gydF4y2Ba

 7所示。结论gydF4y2Ba

我们使用三种特征提取方法从车辆图像中提取特征,构建了一个超图对于每一个功能,并通过超图学习,融合多个超图匹配查询图像和图像集。此外,车辆之间的时空相关性约束图像匹配的程度,提高车辆reidentification的准确性。不同的特征描述符的互补信息可以有效地利用通过学习和使用多个超图和功能描述符,分别。图像库上的实验构建本文证明的有效性使用multifeature超图融合和时空相关性模型在车辆reidentification来解决问题。gydF4y2Ba

 数据可用性gydF4y2Ba

所使用的图像数据来支持本研究的发现可以从相应的作者。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

 太阳gydF4y2Ba Y。gydF4y2Ba 梁gydF4y2Ba D。gydF4y2Ba 王gydF4y2Ba X。gydF4y2Ba 唐gydF4y2Ba X。gydF4y2Ba DeepID3:人脸识别有很深的神经网络gydF4y2Ba 2015年gydF4y2Ba 计算机视觉和模式识别gydF4y2Ba http://arxiv.org/abs/1502.00873gydF4y2Ba 斯沃夫gydF4y2Ba F。gydF4y2Ba KalenichenkogydF4y2Ba D。gydF4y2Ba PhilbingydF4y2Ba J。gydF4y2Ba Facenet:统一嵌入人脸识别和聚类gydF4y2Ba 《IEEE计算机视觉与模式识别会议gydF4y2Ba 2015年6月gydF4y2Ba 波士顿,美国gydF4y2Ba 815年gydF4y2Ba 823年gydF4y2Ba 肖gydF4y2Ba T。gydF4y2Ba 李gydF4y2Ba 年代。gydF4y2Ba 王gydF4y2Ba B。gydF4y2Ba 林gydF4y2Ba lgydF4y2Ba 王gydF4y2Ba X。gydF4y2Ba 学习的人搜索联合探测和识别特征gydF4y2Ba 《IEEE计算机视觉与模式识别会议gydF4y2Ba 2017年7月gydF4y2Ba 美国檀香山,嗨gydF4y2Ba 3415年gydF4y2Ba 3424年gydF4y2Ba 赵gydF4y2Ba H。gydF4y2Ba 田gydF4y2Ba M。gydF4y2Ba 太阳gydF4y2Ba 年代。gydF4y2Ba 邵gydF4y2Ba J。gydF4y2Ba 杨ydF4y2Ba J。gydF4y2Ba 易gydF4y2Ba 年代。gydF4y2Ba 王gydF4y2Ba X。gydF4y2Ba 唐gydF4y2Ba X。gydF4y2Ba 轴网:人鉴定与人体地区引导功能分解和融合gydF4y2Ba 《IEEE计算机视觉与模式识别会议gydF4y2Ba 2017年7月gydF4y2Ba 美国檀香山,嗨gydF4y2Ba 1077年gydF4y2Ba 1085年gydF4y2Ba 木gydF4y2Ba r . J。gydF4y2Ba 里德gydF4y2Ba D。gydF4y2Ba 勒班陀gydF4y2Ba J。gydF4y2Ba 欧文gydF4y2Ba j . M。gydF4y2Ba 强劲的背景建模增强视频对象跟踪gydF4y2Ba 9089年gydF4y2Ba 地理空间InfoFusion第四和视频分析;和运动图像ISR和态势感知gydF4y2Ba 2014年gydF4y2Ba 美国马里兰州巴尔的摩gydF4y2Ba 908902年gydF4y2Ba 刘gydF4y2Ba H。gydF4y2Ba 田gydF4y2Ba Y。gydF4y2Ba 杨gydF4y2Ba Y。gydF4y2Ba 庞gydF4y2Ba lgydF4y2Ba 黄gydF4y2Ba T。gydF4y2Ba 深相对距离学习:区分类似的车辆gydF4y2Ba 《IEEE计算机视觉与模式识别会议gydF4y2Ba 2016年6月gydF4y2Ba 美国内华达州拉斯维加斯gydF4y2Ba 2167年gydF4y2Ba 2175年gydF4y2Ba 周gydF4y2Ba Y。gydF4y2Ba 邵gydF4y2Ba lgydF4y2Ba 注意细心的多视点推理车辆鉴定gydF4y2Ba 《IEEE计算机视觉与模式识别会议gydF4y2Ba 2018年gydF4y2Ba 美国犹他盐湖城gydF4y2Ba 6489年gydF4y2Ba 6498年gydF4y2Ba 周gydF4y2Ba Y。gydF4y2Ba 刘gydF4y2Ba lgydF4y2Ba 邵gydF4y2Ba lgydF4y2Ba 汽车用很深的隐藏的多视点推理才能鉴定gydF4y2Ba IEEE图像处理gydF4y2Ba 2018年gydF4y2Ba 27gydF4y2Ba 7gydF4y2Ba 3275年gydF4y2Ba 3287年gydF4y2Ba 10.1109 / TIP.2018.2819820gydF4y2Ba 2 - s2.0 - 85044394741gydF4y2Ba 29641406gydF4y2Ba KrizhevskygydF4y2Ba 一个。gydF4y2Ba SutskevergydF4y2Ba 我。gydF4y2Ba 辛顿gydF4y2Ba g . E。gydF4y2Ba Imagenet与深卷积神经网络分类gydF4y2Ba 先进的神经信息处理系统gydF4y2Ba 2012年gydF4y2Ba 25gydF4y2Ba 1097年gydF4y2Ba 1105年gydF4y2Ba SimonyangydF4y2Ba K。gydF4y2Ba ZissermangydF4y2Ba 一个。gydF4y2Ba 很深的卷积网络大规模图像识别gydF4y2Ba 2014年gydF4y2Ba http://arxiv.org/abs/1409.1556gydF4y2Ba SzegedygydF4y2Ba C。gydF4y2Ba 刘gydF4y2Ba W。gydF4y2Ba 贾gydF4y2Ba Y。gydF4y2Ba SermanetgydF4y2Ba P。gydF4y2Ba 里德gydF4y2Ba 年代。gydF4y2Ba AnguelovgydF4y2Ba D。gydF4y2Ba ErhangydF4y2Ba D。gydF4y2Ba VanhouckegydF4y2Ba V。gydF4y2Ba 拉比诺维奇gydF4y2Ba 一个。gydF4y2Ba 与旋转会更深gydF4y2Ba 《IEEE计算机视觉与模式识别会议gydF4y2Ba 2015年gydF4y2Ba 波士顿,美国gydF4y2Ba 1gydF4y2Ba 9gydF4y2Ba AlexegydF4y2Ba B。gydF4y2Ba DeselaersgydF4y2Ba T。gydF4y2Ba 法拉利gydF4y2Ba V。gydF4y2Ba 测量对象的形象窗口gydF4y2Ba IEEE模式分析与机器智能gydF4y2Ba 2012年gydF4y2Ba 34gydF4y2Ba 11gydF4y2Ba 2189年gydF4y2Ba 2202年gydF4y2Ba 10.1109 / TPAMI.2012.28gydF4y2Ba 2 - s2.0 - 84866688216gydF4y2Ba 22248633gydF4y2Ba 杨gydF4y2Ba lgydF4y2Ba 罗gydF4y2Ba P。gydF4y2Ba 改变阿来gydF4y2Ba C。gydF4y2Ba 唐gydF4y2Ba X。gydF4y2Ba 大型车对细粒度的分类和验证数据集gydF4y2Ba 《IEEE计算机视觉与模式识别会议gydF4y2Ba 2015年6月gydF4y2Ba 波士顿,美国gydF4y2Ba 3973年gydF4y2Ba 3981年gydF4y2Ba 克劳斯gydF4y2Ba J。gydF4y2Ba 斯塔克gydF4y2Ba M。gydF4y2Ba 邓gydF4y2Ba J。gydF4y2Ba 菲菲gydF4y2Ba lgydF4y2Ba 3 d对象表示细粒度的分类gydF4y2Ba 《IEEE计算机视觉国际会议研讨会gydF4y2Ba 2013年gydF4y2Ba 悉尼新南威尔士、澳大利亚gydF4y2Ba 554年gydF4y2Ba 561年gydF4y2Ba 智利的gydF4y2Ba 年代。gydF4y2Ba 范HammegydF4y2Ba D。gydF4y2Ba VeelaertgydF4y2Ba P。gydF4y2Ba 卡拉法特gydF4y2Ba c . T。gydF4y2Ba 卡诺gydF4y2Ba j . C。gydF4y2Ba 曼卓尼gydF4y2Ba P。gydF4y2Ba 萨莫拉gydF4y2Ba W。gydF4y2Ba 检测车辆的相对位置在双车道公路上通过视频分享服务超越援助申请gydF4y2Ba 移动网络和应用程序gydF4y2Ba 2020年gydF4y2Ba 25gydF4y2Ba 3gydF4y2Ba 1084年gydF4y2Ba 1094年gydF4y2Ba 10.1007 / s11036 - 020 - 01526 - 2gydF4y2Ba 智利的gydF4y2Ba 年代。gydF4y2Ba 萨莫拉gydF4y2Ba W。gydF4y2Ba 卡拉法特gydF4y2Ba c . T。gydF4y2Ba 卡诺gydF4y2Ba j . C。gydF4y2Ba 曼卓尼gydF4y2Ba P。gydF4y2Ba VeelaertgydF4y2Ba P。gydF4y2Ba 使用智能手机的摄像头作为传感器的安全的应用程序gydF4y2Ba 《第五EAI智能对象和技术国际会议对社会好gydF4y2Ba 2019年gydF4y2Ba 84年gydF4y2Ba 89年gydF4y2Ba RamnathgydF4y2Ba K。gydF4y2Ba SinhagydF4y2Ba s . N。gydF4y2Ba SzeliskigydF4y2Ba R。gydF4y2Ba 萧gydF4y2Ba E。gydF4y2Ba 汽车制造和模型识别使用3 d曲线一致。gydF4y2Ba IEEE计算机视觉的冬季会议上应用gydF4y2Ba 2014年3月gydF4y2Ba 斯廷博特斯普林斯,美国公司gydF4y2Ba 285年gydF4y2Ba 292年gydF4y2Ba 香gydF4y2Ba Y。gydF4y2Ba 崔gydF4y2Ba W。gydF4y2Ba 林gydF4y2Ba Y。gydF4y2Ba SavaresegydF4y2Ba 年代。gydF4y2Ba 数据驱动的3 d立体像素模式对象分类识别gydF4y2Ba 《IEEE计算机视觉与模式识别会议gydF4y2Ba 2015年6月gydF4y2Ba 波士顿,美国gydF4y2Ba 1903年gydF4y2Ba 1911年gydF4y2Ba RoccettigydF4y2Ba M。gydF4y2Ba DelnevogydF4y2Ba G。gydF4y2Ba 极gydF4y2Ba lgydF4y2Ba SalomonigydF4y2Ba P。gydF4y2Ba 一个机器学习设计的警示:为什么我们仍然需要种大数据分析gydF4y2Ba 移动网络和应用程序gydF4y2Ba 2020年gydF4y2Ba 25gydF4y2Ba 3gydF4y2Ba 1075年gydF4y2Ba 1083年gydF4y2Ba 10.1007 / s11036 - 020 - 01530 - 6gydF4y2Ba DelnevogydF4y2Ba G。gydF4y2Ba RoccettigydF4y2Ba M。gydF4y2Ba MirrigydF4y2Ba 年代。gydF4y2Ba 聪明和良好的机器?的作用域和上下文编纂gydF4y2Ba 移动网络和应用程序gydF4y2Ba 2019年gydF4y2Ba 1gydF4y2Ba 9gydF4y2Ba 刘gydF4y2Ba X。gydF4y2Ba 刘gydF4y2Ba W。gydF4y2Ba 梅gydF4y2Ba T。gydF4y2Ba 马gydF4y2Ba H。gydF4y2Ba 基于深度学习进步的城市监控车辆鉴定方法gydF4y2Ba 欧洲计算机视觉gydF4y2Ba 2016年gydF4y2Ba 施普林格gydF4y2Ba 869年gydF4y2Ba 884年gydF4y2Ba 刘gydF4y2Ba X。gydF4y2Ba 刘gydF4y2Ba W。gydF4y2Ba 马gydF4y2Ba H。gydF4y2Ba 傅gydF4y2Ba H。gydF4y2Ba 大型车辆在城市监控视频鉴定gydF4y2Ba 2016年IEEE国际多媒体会议和博览会(ICME)gydF4y2Ba 2016年7月gydF4y2Ba 美国西雅图,华盛顿州gydF4y2Ba 1gydF4y2Ba 6gydF4y2Ba 刘gydF4y2Ba X。gydF4y2Ba 刘gydF4y2Ba W。gydF4y2Ba 梅gydF4y2Ba T。gydF4y2Ba 马gydF4y2Ba H。gydF4y2Ba 提供:进步和多通道车辆reidentification大规模城市监测gydF4y2Ba IEEE多媒体gydF4y2Ba 2017年gydF4y2Ba 20.gydF4y2Ba 645年gydF4y2Ba 658年gydF4y2Ba 徐gydF4y2Ba Q。gydF4y2Ba 杨ydF4y2Ba K。gydF4y2Ba 田gydF4y2Ba Y。gydF4y2Ba 学习一种镇压网络车辆精确搜索gydF4y2Ba 2017年gydF4y2Ba http://arxiv.org/abs/1708.02386gydF4y2Ba