研究人员提出了用于车辆搜索的压制网络方法

寻找小偷车的监控摄像头面临着艰巨的任务。汽车看起来非常相似，你知道小偷可能很聪明，可以更换车牌或弄乱车牌ID以逃避识别。

北京大学的研究人员正在寻找另一种追踪车辆的方法。认为面部识别，但这次是汽车。他们的设计方法是为了在车内划伤甚至可以提供帮助。

他们的论文在技​​术细节上描述了他们的工作，并且它在arXiv上。

“用于精确车辆搜索的学习压制网络”由徐千彤，柯燕和田永红主持。

在他们的论文中，作者呼吁关注到牌照板识别带来了专为监控摄像机的一个问题。

他们在一些监控摄像机中写道，“这些摄像机的分辨率不够高，无法清楚地显示车牌上的数字。其次，当他们试图对一些令人困惑的字符(如'8')进行分类时，板识别系统的性能会大幅下降。 'B'，'O'和'0'，'D'和'O'等。最重要的是，车牌通常很容易被遮挡，移除甚至伪造，这使得车牌与每辆车的相关性降低。

他们表示，“精确的车辆检索算法不仅应该能够捕捉每个车辆的颜色和模型等粗粒度属性，还应该学习更多具有辨别力的特征来表示它的独特细节。”

他们提出的方法是他们称之为“压制网络”的模式。它们对Repression Network意味着什么?

Jasper Hamill in the Sun：“ 压制 网络 ”一词指的是北京大学开发的技术。每日邮报的 Phoebe Weston 表示，这是一个“多任务学习框架”，旨在寻找汽车的独特功能。压制层管理所有生成的数据，“允许它只关注广泛和突出的细节。”

这是作者解释它的方式。“构建这样一个模型的基本思想是我们希望深度网络从两个不同的级别生成两个独立的子特征 - 粗略的属性和细节，这样每个子特征都可以为该级别嵌入更多的判别信息，并且可以更好地用于执行精确的检索任务。“

研究人员表示，实验结果显示“我们的RepNet实现了最先进的性能。”

它可以用来追踪人类吗?

接下来，作者提到，对RepNet的进一步研究可能涉及引入哈希函数来生成二进制特征“或将卷积组分成两组。此外，我们还可以将我们的框架扩展到更广泛的应用程序，如面部和人员检索。”