Abstract. As an instance-level recognition problem, the key to effective vehicle re-identification (Re-ID) is to carefully reason the discriminative and viewpoint-invariant features of vehicle parts at high-level and low-level semantics. However, learning part-based features requires a laborious human annotation of some factors as attributes. To address this issue, we propose a region-aware multi-resolution (RAMR) Re-ID framework that can extract features from a series of local regions without extra manual annotations. Technically, the proposed method improves the discriminative ability of the local features through parallel high-to-low resolution convolutions. We also introduce a position attention module to focus on the prominent regions that can provide effective information. Given that the vehicle Re-ID performance can be affected by background clutters, we use the image obtained through foreground segmentation to extract local features. Results show that using original and foreground images can enhance the Re-ID performance compared with using either the original or foreground images alone. In other words, the original and foreground images complement each other in the vehicle Re-ID process. Finally, we aggregate the global appearance and local features to improve the system performance. Extensive experiments on two publicly available vehicle Re-ID datasets, namely, VeRi-776 and VehicleID, are conducted to validate the effectiveness of each proposed strategy. The findings indicate that the RAMR model achieves significant improvement in comparison with other state-of-the-art methods.

中文翻译：

---

区域感知多分辨率学习用于使用掩码的车辆重新识别

摘要。作为实例级识别问题，有效的车辆重新识别（Re-ID）的关键是在高级和低级语义上仔细推理车辆部件的判别性和视点不变特征。然而，学习基于部件的特征需要费力地将某些因素作为属性进行人工注释。为了解决这个问题，我们提出了一种区域感知多分辨率 (RAMR) Re-ID 框架，该框架可以从一系列局部区域中提取特征，而无需额外的手动注释。从技术上讲，所提出的方法通过并行的高到低分辨率卷积提高了局部特征的判别能力。我们还引入了一个位置注意模块来关注可以提供有效信息的突出区域。鉴于车辆 Re-ID 性能会受到背景杂波的影响，我们使用通过前景分割获得的图像来提取局部特征。结果表明，与单独使用原始图像或前景图像相比，使用原始图像和前景图像可以提高 Re-ID 性能。换句话说，原始图像和前景图像在车辆 Re-ID 过程中相互补充。最后，我们聚合全局外观和局部特征以提高系统性能。对两个公开可用的车辆 Re-ID 数据集，即 VeRi-776 和 VehicleID 进行了广泛的实验，以验证每个提议策略的有效性。研究结果表明，与其他最先进的方法相比，RAMR 模型取得了显着的改进。我们使用通过前景分割获得的图像来提取局部特征。结果表明，与单独使用原始图像或前景图像相比，使用原始图像和前景图像可以提高 Re-ID 性能。换句话说，原始图像和前景图像在车辆 Re-ID 过程中相互补充。最后，我们聚合全局外观和局部特征以提高系统性能。对两个公开可用的车辆 Re-ID 数据集，即 VeRi-776 和 VehicleID 进行了广泛的实验，以验证每个提议策略的有效性。研究结果表明，与其他最先进的方法相比，RAMR 模型取得了显着的改进。我们使用通过前景分割获得的图像来提取局部特征。结果表明，与单独使用原始图像或前景图像相比，使用原始图像和前景图像可以提高 Re-ID 性能。换句话说，原始图像和前景图像在车辆 Re-ID 过程中相互补充。最后，我们聚合全局外观和局部特征以提高系统性能。对两个公开可用的车辆 Re-ID 数据集，即 VeRi-776 和 VehicleID 进行了广泛的实验，以验证每个提议策略的有效性。研究结果表明，与其他最先进的方法相比，RAMR 模型取得了显着的改进。结果表明，与单独使用原始图像或前景图像相比，使用原始图像和前景图像可以提高 Re-ID 性能。换句话说，原始图像和前景图像在车辆 Re-ID 过程中相互补充。最后，我们聚合全局外观和局部特征以提高系统性能。对两个公开可用的车辆 Re-ID 数据集，即 VeRi-776 和 VehicleID 进行了广泛的实验，以验证每个提议策略的有效性。研究结果表明，与其他最先进的方法相比，RAMR 模型实现了显着改进。结果表明，与单独使用原始图像或前景图像相比，使用原始图像和前景图像可以提高 Re-ID 性能。换句话说，原始图像和前景图像在车辆 Re-ID 过程中相互补充。最后，我们聚合全局外观和局部特征以提高系统性能。对两个公开可用的车辆 Re-ID 数据集，即 VeRi-776 和 VehicleID 进行了广泛的实验，以验证每个提议策略的有效性。研究结果表明，与其他最先进的方法相比，RAMR 模型取得了显着的改进。原始图像和前景图像在车辆 Re-ID 过程中相互补充。最后，我们聚合全局外观和局部特征以提高系统性能。对两个公开可用的车辆 Re-ID 数据集，即 VeRi-776 和 VehicleID 进行了广泛的实验，以验证每个提议策略的有效性。研究结果表明，与其他最先进的方法相比，RAMR 模型取得了显着的改进。原始图像和前景图像在车辆 Re-ID 过程中相互补充。最后，我们聚合全局外观和局部特征以提高系统性能。对两个公开可用的车辆 Re-ID 数据集，即 VeRi-776 和 VehicleID 进行了广泛的实验，以验证每个提议策略的有效性。研究结果表明，与其他最先进的方法相比，RAMR 模型取得了显着的改进。