检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于混合类别均衡损失的车型精细识别

计算机工程与应用 2023年第17期59卷 187-194页

作者：李熙莹全峰玮叶芝桧中山大学智能工程学院智能交通研究中心广州510006 广东省智能交通系统重点实验室广州510006 视频图像智能分析与应用技术公安部重点实验室广州510006

为了应对车型精细识别中数据分布不均衡导致训练中头部类别过拟合,而尾部类别被忽略的问题,提出了一种基于混合类别均衡损失的车型精细识别数据增强方法。结合Mixup数据增强方法和类别均衡损失,提出混合类别均衡交叉熵损失函数;通过均... 详细信息

为了应对车型精细识别中数据分布不均衡导致训练中头部类别过拟合,而尾部类别被忽略的问题,提出了一种基于混合类别均衡损失的车型精细识别数据增强方法。结合Mixup数据增强方法和类别均衡损失,提出混合类别均衡交叉熵损失函数;通过均衡子集微调的训练策略,进一步提高了长尾分布数据的识别效果。实验结果表明,算法在Stanford Cars、CompCars、SYSU Cars数据集上的识别准确率分别比Baseline提高了1.07、0.17和1.58个百分点,有效地缓解了因车型数据不均衡带来的问题,进一步提高了车型精细识别的识别效果。其中SYSU Cars为自建数据集,由66137张车辆正脸图片构成,包含102种品牌,691种车型以及不同的光照条件(即将在OpenITS上公开)。

关键词：车型精细识别细粒度识别混合类别均衡损失长尾分布

基于多尺度双线性卷积神经网络的多角度下车型精细识别

在线全文

学校读者我要写书评

暂无评论

计算机应用 2019年第8期39卷 2402-2407页

作者：刘虎周野袁家斌南京航空航天大学计算机科学与技术学院

针对多角度下车辆出现一定的尺度变化和形变导致很难被准确识别的问题,提出基于多尺度双线性卷积神经网络(MS-B-CNN)的车型精细识别模型。首先,对双线性卷积神经网络(B-CNN)算法进行改进,提出MS-B-CNN算法对不同卷积层的特征进行了多尺... 详细信息

针对多角度下车辆出现一定的尺度变化和形变导致很难被准确识别的问题,提出基于多尺度双线性卷积神经网络(MS-B-CNN)的车型精细识别模型。首先,对双线性卷积神经网络(B-CNN)算法进行改进,提出MS-B-CNN算法对不同卷积层的特征进行了多尺度融合,以提高特征表达能力;此外,还采用基于中心损失函数与Softmax损失函数联合学习的策略,在Softmax损失函数基础上分别对训练集每个类别在特征空间维护一个类中心,在训练过程中新增加样本时,网络会约束样本的分类中心距离,以提高多角度情况下的车型识别的能力。实验结果显示,该车型识别模型在CompCars数据集上的正确率达到了93.63%,验证了模型在多角度情况下的准确性和鲁棒性。

关键词：车型精细识别卷积神经网络双线性卷积神经网络中心损失多尺度

在线全文

学校读者我要写书评

暂无评论

基于特征融合卷积神经网络的车型精细识别

计算机工程与设计 2020年第1期41卷 226-230页

作者：李致金张亮武鹏丁春健南京信息工程大学电子与信息工程学院

为解决现有车型精细识别方法中存在识别精度低、模型参数规模大等问题,提出一种基于特征融合卷积神经网络的车型精细识别方法。设计两个独立网络(UpNet、DownNet)分别用于提取车辆正面图像的上部和下部特征,在融合网络(FusionNet)中进... 详细信息

为解决现有车型精细识别方法中存在识别精度低、模型参数规模大等问题,提出一种基于特征融合卷积神经网络的车型精细识别方法。设计两个独立网络(UpNet、DownNet)分别用于提取车辆正面图像的上部和下部特征,在融合网络(FusionNet)中进行特征融合,实现车型的精细识别。相较于现有的车型精细识别方法,该方法在提高识别精度的同时,有效压缩了模型参数规模。在基准数据集CompCars下进行大量实验的结果表明,该方法的识别精度可达98.94%,模型参数大小仅为4.9 MB。

关键词：卷积神经网络车型精细识别特征融合独立网络融合网络深度学习

基于局部特征与多损失融合的车型精细识别算法

在线全文

学校读者我要写书评

暂无评论

传感器与微系统 2021年第4期40卷 142-145页

作者：李哲胡朋立邓军勇西安邮电大学电子工程学院陕西西安710121 延安大学物理与电子信息学院陕西延安716000

针对车型精细识别率低的问题,提出基于局部特征与多损失融合的车型精细识别算法。首先通过Faster RCNN获取区分度较大的车脸区域;然后在识别网络中,借助VGG 16提取车脸特征,在输出层对SoftMax损失和中心损失进行加权融合,有效地引导网... 详细信息

针对车型精细识别率低的问题,提出基于局部特征与多损失融合的车型精细识别算法。首先通过Faster RCNN获取区分度较大的车脸区域;然后在识别网络中,借助VGG 16提取车脸特征,在输出层对SoftMax损失和中心损失进行加权融合,有效地引导网络学习类内距离较小、类间距离较大的特征。实验结果表明:所提算法在中山大学VRID-1数据集的识别准确率为98.80%,车型精细识别准确率得到了明显的提升。

关键词：车型精细识别深度卷积神经网络中心损失多损失融合

在线全文

学校读者我要写书评

暂无评论

基于深度学习的车型精细识别

基于深度学习的车型精细识别

作者：张亮南京信息工程大学

学位级别：硕士

车型精细识别旨对外观差异较小的车辆进行细粒度型号分类,其广泛应用于统计交通流量、公路自动收费以及无人驾驶等领域。然而,已有车型精细识别方法仍存在以下问题:一方面,多数方法停留在卡口监控下单一正面角度的研究且这类方法未能综... 详细信息

车型精细识别旨对外观差异较小的车辆进行细粒度型号分类,其广泛应用于统计交通流量、公路自动收费以及无人驾驶等领域。然而,已有车型精细识别方法仍存在以下问题:一方面,多数方法停留在卡口监控下单一正面角度的研究且这类方法未能综合考虑图像特征分布不均匀特点,从而导致了识别精度不够理想;另一方面,对于多角度的研究不够广泛,主要原因是多角度下的车辆背景复杂多样、视觉特征不稳定,从而给识别任务带来了困难。基于此,本文的主要研究工作如下:（1）根据交通卡口监控下正面角度车辆图像上下特征分布不均匀特点,提出了一种基于车辆正面图像的车型精细识别算法。首先以卷积神经网络为基础设计了两个不同深度的分支网络以及一个融合网络。其中,浅层上部分支网络用于提取非车辆表面部特征,深层下部分支网络用于提取车辆表面部特征,融合网络用于对两区域提取到的特征进行多分支、多尺度融合,以进一步抽象并提取具有显著区分度的特征。通过在卡口拍摄的正面角度车辆数据集上的实验结果表明,本文方法取得的识别效果更好,具有实际应用价值。（2）在分析目前多角度车型精细识别存在背景复杂、视觉特征不稳定等难点基础上,提出了一种基于多角度特征融合的车型精细识别算法。首先使用了基于改进式Res Net-50的SSD车辆检测框架对多角度目标车辆进行检测与定位,之后复用训练好的Re s Net-50网络对不同角度的车辆特征进行提取,并结合使用了基于AUC加权值融合策略对提取到的特征进行融合,最后使用了可调类间距的Softmax损失度量学习方法进行识别。通过在多角度车辆数据集上的实验结果表明,本文方法取得了良好的识别效果。

关键词：车型精细识别卷积神经网络特征融合多角度目标检测

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的车型精细识别

基于深度学习的车型精细识别

作者：周野南京航空航天大学

学位级别：硕士

车型精细识别是智能交通系统的核心,在智慧停车场、高速公路智能收费、车辆智能管理等领域有着广泛的应用。特别地,车型精细识别能够有效的辅助车辆检索和对比,有助于打击假牌套牌、逃逸等车辆违章违法行为,对维护社会治安具有促进作用... 详细信息

车型精细识别是智能交通系统的核心,在智慧停车场、高速公路智能收费、车辆智能管理等领域有着广泛的应用。特别地,车型精细识别能够有效的辅助车辆检索和对比,有助于打击假牌套牌、逃逸等车辆违章违法行为,对维护社会治安具有促进作用。因此,车型精细识别的研究具有广泛的应用价值。本文针对车型精细识别进行研究,分为限定角度下车型精细识别和多角度下车型精细识别这两种情况。限定角度下车型精细识别主要应用场景为部署在高速公路、国道、省道中的卡口监控系统,车辆图像只有正面照片,且不同车型之间存在严重的数据不均衡的问题。多角度下车型精细识别应用则更为广泛,但是车辆角度多变且背景复杂多样,多视角导致车辆出现一定的尺度变化和形变,很难获取有效且稳定的视觉特征,给识别带来了困难。针对上述问题,本文的主要工作如下:(1)针对数据不平衡的问题,本文采用了多策略结合的非均衡样本处理方式。在数据预处理阶段,采用数据增强方式,增加少数类的样本数;在训练数据随机采样阶段,在连续的批数据中,控制多数类的比例;在训练分类器阶段,采用基于代价敏感的支持向量机CS-SVM。(2)针对限定角度下车辆图像仅有前脸信息的问题,本文提出了基于局部特征的车型精细识别模型。模型通过卷积神经网络的反向传播计算图像像素对分类的贡献度,从而得到具有区分度的局部特征;然后,与车辆整体特征进行融合,进而利用融合后的特征训练CS-SVM。(3)针对多角度下车辆背景复杂多变的问题,本文提出了基于ResNet-50的SSD目标检测框架。利用该框架对图像中的车辆目标进行检测与定位,降低了外界环境因素对车型识别的干扰。(4)针对多角度下很难获得有效且稳定的视觉特征的问题,本文提出了两种方案:基于多角度特征融合的车型精细识别和基于MS-B-CNN的多角度下车型精细识别,并对两种方案的实验结果进行了对比分析。

关键词：车型精细识别卷积神经网络 B-CNN 车辆检测特征融合

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于注意力机制的车型精细识别研究

基于注意力机制的车型精细识别研究

作者：徐珑刀合肥工业大学

学位级别：硕士

机动车在人们日常出行活动中异常重要,也是智能交通系统的主要研究对象之一。近些年来,我国机动车保有量及道路交通量猛增,给交通管理部门的工作增加了极大的压力,同时也对智能交通技术的发展提出了更大的挑战,其中针对车辆型号的识别... 详细信息

机动车在人们日常出行活动中异常重要,也是智能交通系统的主要研究对象之一。近些年来,我国机动车保有量及道路交通量猛增,给交通管理部门的工作增加了极大的压力,同时也对智能交通技术的发展提出了更大的挑战,其中针对车辆型号的识别任务至关重要。然而车辆型号种类多,某些车型外观差异小,并且实际拍摄环境复杂多样,这些因素造成车型精细识别的难度大大提高。针对车型识别任务的研究,本文将视觉注意力机制与深度学习方法相结合,提出了两种车辆型号精细识别方法,即基于双阶注意力特征融合的车型精细识别方法和一种语义增强的三维注意力车型精细识别模型。我们提出的两种车型识别方法在多个车辆数据集上进行了对比实验,均展现出了良好的车型识别率,表明了我们提出的注意力模型能有效提升车型型号的识别效果。本文的主要工作如下:（1）提出一种基于双阶注意力特征融合的车型精细识别模型DRAF-Net:以卷积神经网络为主体,将空间转换网络作为注意力编码器来对原始车辆图像进行全局注意力加权,然后采集网络中多个不同层级特征融合来提升分类特征信息丰富度,并嵌入通道注意力结构来增强当前类别的特征响应。（2）提出一种语义增强的三维注意力车型精细识别算法Se-3DAN:该算法由语义增强模块,空间-通道三维注意力模块组成。其中利用语义增强模块来提升注意力机制在网络模型中的表达能力,而空间-通道三维注意力来充分挖掘车辆的判别性特征,在车型数据集上与原基线网络进行对比实现,证明了三维注意力模块对车型识别任务的有效性。

关键词：车型精细识别特征融合双阶注意力三维注意力语义增强

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于胶囊神经网络的车型精细识别研究

计算机技术与发展 2021年第3期31卷 89-94页

作者：程换新郭占广程力刘文翰张志浩青岛科技大学自动化与电子工程学院山东青岛266061 中国科学院新疆理化技术研究所新疆乌鲁木齐830001

车辆型号精细识别在智能交通系统、涉车刑侦案件侦破等方面具有十分重要的应用前景。针对车辆型号种类繁多、部分型号区分度小等带来的车辆型号精细分类困难的问题,提出一种基于胶囊神经网络(capsule network,CapsNet)的车型图像识别模... 详细信息

车辆型号精细识别在智能交通系统、涉车刑侦案件侦破等方面具有十分重要的应用前景。针对车辆型号种类繁多、部分型号区分度小等带来的车辆型号精细分类困难的问题,提出一种基于胶囊神经网络(capsule network,CapsNet)的车型图像识别模型CapCar。以CompCars数据集作为样本,首先通过加权平均值法进行图像的灰度化处理,减少数据集训练计算量,提高模型的训练速度。然后通过胶囊神经网络提取车型图像的全部特征和局部特征,实现车型分类识别。相较于现有的车型精细识别方法,该方法在提高识别精度的同时,有效压缩了模型参数规模。在基准数据集CompCars下进行大量实验的结果表明,CapCar模型进行车辆精细识别精度可达98.89%,其识别率高于一些其他经典的网络模型。CapCar模型参数大小仅为6.3 MB。该算法具有一定的先进性。

关键词：人工智能胶囊神经网络车型精细识别智能交通深度学习 CapCar模型