作者：Chih-Wei Wu, Chih-Ting Liu, Cheng-En Chiang, Wei-Chih Tu, Shao-Yi Chien

作者单位：NTU IoX Center, National Taiwan University

发布时间：2018

发布期刊/会议：CVPR

论文全称：Vehicle Re-Identification with the Space-Time Prior

论文地址：

论文代码：

https://github.com/cw1204772/AIC2018_iamai

地位：

个人理解

• 创新点：
  • 提出的**自适应特征学习(Adaptive Feature Learning ，AFL)，**能够自动的从无标记的测试视频中获取positive和negative的训练样本
  • 利用自动采集的样本对特征提取器进行微调，使深度网络能够适应测试视频所处环境的视觉领域
• **为什么：**本文提出的算法主要是用于参加 2018 NVIDIA AI City Challenge 比赛的，而该比赛提供的数据集是没有标注的，只有原始的视频。而车辆数据集之间的差异又非常的大
  • 对提供的数据集进行人工标注：人工收集车辆Re-ID数据集是困难的，是不现实的
  • **使用已有的标注好的数据集：**车辆数据集之间的差距很大，即从一个数据集学到的特征可能不能直接应用到另一个数据集
    • **很难收集到各种环境和车型的数据：**一个数据集的视觉领域可能与另一个数据集非常不同，因为城市景观可能因城市而异，受欢迎的汽车车型也会因时间而异
    • **一辆车可能在不同的情况下看起来非常不同：**如物体的比例（离摄像头的远近），相机的视角，车辆的方向，光照
• 怎么做：
  • **数据集方面：由于提供的数据集没有标注，使用已有的数据集来进行训练也不可行，因此本文基于一个时空先验（一辆车不能同时出现在多个地点，而且一辆车会在同一时间内连续移动），使用自适应特征学习技术（AFL）**从提供的数据集中挖掘训练样本。
  • 训练方面：将本文所提算法在已有的数据集上先进行训练，从而得到基于 CNN 的车辆特征提取器，再使用从比赛提供给的数据集中挖掘出的训练样本来对车辆特征提取器进行微调，使其能够适应比赛提供数据集的场景

一、摘要

Vehicle re-identifification (Re-ID) is fundamentally challenging due to the diffificulties in data labeling, visual domain mismatch between datasets and diverse appearance of the same vehicle. We propose the adaptive feature learning technique based on the space-time prior to address these issues. The idea is demonstrated effectively in both the human Re-ID and the vehicle Re-ID tasks. We train a vehicle feature extractor in a multi-task learning manner on three existing vehicle datasets and fifine-tune the feature extractor with the adaptive feature learning technique on the target domain. We then develop a vehicle Re-ID system based on the learned vehicle feature extractor. Finally, our meticulous system design leads to the second place in the 2018 NVIDIA AI City Challenge Track 3.

• 汽车重识别（Re-ID）任务因为数据标注困难、数据集之间的视觉域不匹配以及同一辆车外观的多样性，导致该任务从根本上来说是一个挑战