由我院青年教师李洪潮博士完成的一项关于车辆重识别方面的研究成果“相机拓扑图驱动的车辆重识别”被中科院一区Top期刊IEEE TMM录用并在线发表。

车辆重新识别(Re-ID)的目的是在不重叠的摄像头之间检索车辆。 其中深度表征学习至关重要，大多数现有的研究都是从车辆图像的外观信息进行表征学习。 有些研究者在测试阶段采用时空信息剔除不合理检索结果，对结果进行细化。然而，在训练阶段，他们忽略了闭路电视(CCTV)摄像机系统中摄像机之间潜在的拓扑关系，这通常会导致由于高度类内变化引起的次优结果。为了解决这一问题，论文提出了一种新的车辆重识别框架，该框架明确地对所有输入图像的相机拓扑关系建模，以聚合相邻图像，从而获得与相机无关的表示。 具体来说，首先构建了一个摄像机拓扑图(CTG)来阐明摄像机之间的拓扑关系。 它以不同的摄像机为节点，从摄像机系统、位置、方向和个体四个层次构建边。 然后，论文引入了一种基于摄像机拓扑的图卷积网络(CT-GCN)，该网络可以抑制不相关的相邻图像并学习不同的摄像机表示函数。最后，论文提出了一种拓扑交叉熵损失来获得更具判别性的车辆表示。整个网络以端到端的方式进行训练。在三个基准数据集上进行的大量实验表明，该方法取得了很好的效果。成果论文题目为“Camera Topology Graph Guided Vehicle Re-identification”，我院李洪潮博士为论文第一作者，罗永龙教授为通讯作者，安徽师范大学计算机与信息学院为第一完成单位。

图1：整体框架图

       IEEE TMM(IEEE Transactions on MultiMedia)是多媒体领域国际顶级期刊，2022年影响因子8.128，中科院一区TOP期刊。