#今日论文推荐#AAAI 2022 | 车辆重识别全新方向，解决恶劣天气下的车辆重识别，有效提升真实世界可行性，训练代码以及预训练模型皆以开源_车辆重识别全新方向!解决恶劣天气下的车辆重识别!

近期AAAI'22的文章已经逐渐释出，当中这篇内容对于重识别在恶劣气候下提出了新的议题，并且开发出解决的算法架构及对于现有的资料集做更近一步地分类并提供额外的辅助标签，因此将本篇重点整理下来分享给大家，目前训练代码、预训练模型和辅助标签集皆已开源。
简介
当前车辆重识别算法随着DCNN发展以不同架构达到最先进性能，但旧有资料集皆针对清晰气候设计，在雾景中进行车辆重辨识仍是一项巨大的挑战：

1. 现有重识别方法(Existing ReID method) [1,2,3]: 这些方法是为清晰的图像而设计的，虽能在现有资料集下获得良好的成绩，但是对于恶劣气候下的成效却相当有限，而雾是现实世界中最常见的气候之一，是一种由烟雾、灰尘和其他漂浮颗粒组成的大气现象，将会导致能见度下降，并降低车辆重识别的特征提取能力，不利于真实世界的应用。
2. 二阶除雾重识别(Defogging+ReID) [4]: 最直接的解决方法是透过现有的去雾策略提高输入影像的可见性，然后进行ReID算法。然而传统的去雾方法是根据人类感知设计，影像还原过程无法保证能提供有效的ReID资讯，此外，去雾方法需要大量的计算负担，集成式架构将会增加系统的复杂性，对于效能有极大的局限性。
3. 资料集限制 [5,6]: 现有的车辆重识别资料集为了减轻问题难度，主要在清晰气候下所组成，而真实世界中雾气下的标记成本极高，且难以收集对应的ground truth样本，常见的方法可透过合成资料模拟，却仍然与真实世界中存在一定程度的domain gap。

对于雾气车辆重识别而言，如何有效地从雾气影像中抽出ReID特征成为开发的重点，本篇贡献如下：

• 提出新的训练框架，将去雾网络和重识别网络统一起来。联合去雾学习框架可以为 ReID 保留去雾特征，以应对可见度差的问题。
• 提出半监督去雾训练机制，交替优化合成数据和真实世界数据上的网络，以解决域差距问题。
• 重新标注现有的基准并构建了一个名为 Foggy Vehicle ReID (FVRID) 的额外分类标签资料。

此外，这个团队在过去对于影像还原有许多发表：

• 单张影像、单个模型多合一天气去除：[Github] (CVPR'22)
• 单张影像去雾：[PMS-Net] (CVPR'19) and [PMHLD] (TIP'20)
• 单张影像去雪：[JSTASR] (ECCV'20) 、 [HDCW-Net] (ICCV'21)
• 单张影像去雨：[ContouletNet] (BMVC'21)

论文题目：SJDL-Vehicle: Semi-supervised Joint Defogging Learning for Foggy Vehicle Re-identification
详细解读：https://www.aminer.cn/research_report/62d767827cb68b460fef5690https://www.aminer.cn/research_report/62d767827cb68b460fef5690
AMiner链接：https://www.aminer.cn/?f=cs