车辆检索“LEARNING A REPRESSION NETWORK FOR PRECISE VEHICLE SEARCH”

背景意义
精确车辆检索，给定车辆图像，寻找所有的具有相同车架号的图像，这很具有挑战性，因为不同的车具有相同的外观。论文提出了多任务学习框架RepNet，从粗粒度和细粒度学习车辆特征。此外，使用了桶搜索减少检索时间。

车牌通常作为车辆的唯一身份，但一些情况下车牌难以识别。如低分辨率图像看不清车牌，一些字符容易混淆，遮挡牌照和假牌的情况也有。因此，从外观的差别检索车辆比较实用。与人脸和行人检索相比，车辆检索更具挑战性，因为不同的车通常具有相同的外观，但是车上的一些特殊的标记，如装饰、刮痕可以用来区分一辆车。精确车辆检索不仅需要捕获粗粒度的特征，如颜色和品牌型号，而且需要更精细的特征描述车辆的特殊细节。

相关工作
车型识别模型把具有相同品牌型号的车归为一类，而不能区分具有相同车型的车。相似度约束如constrastive，triplet 损失通常用来解决这个问题，多任务学习可以用来提升性能，如softmax和constastive loss联合优化。也有方法综合低层和高层信息，以减少信息损失。这些方法的问题：（1）不同层的信息是相关的，不相干的约束不能独立对待，不同约束之间的关系模糊、不可控；（2）相似度约束和分类约束都用于最后一个FC层特征，两种约束约束了同一种事情。

分类约束用来学习车辆间共享的特征，相似度约束是为了学习每辆车的特殊信息，两种任务的交叠限制了相似度约束的性能，同时可能影响模型的收敛。如下图所示，这些模型的特征显著图与第2列列斯，车辆每部分信息的贡献相同。

论文方法
提出RepNet，卷积层后两支FC层，分别用于属性分类和相似度学习，还有一个回归层连接两个分支。属性分类学习的特征可以用来指导相似度学习，是的相似度学习忽略属性信息，关注特别的细节，如图1的第5列所示。RepNet的结构如下图所示：

回归层对特征显著度的影响如下，有回归层网络更关注细节特征：

实验结果