CN107330463B - 基于cnn多特征联合和多核稀疏表示的车型识别方法 - Google Patents
基于cnn多特征联合和多核稀疏表示的车型识别方法 Download PDFInfo
- Publication number
- CN107330463B CN107330463B CN201710518975.7A CN201710518975A CN107330463B CN 107330463 B CN107330463 B CN 107330463B CN 201710518975 A CN201710518975 A CN 201710518975A CN 107330463 B CN107330463 B CN 107330463B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- matrix
- kernel
- feature
- cnn
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
基于CNN多特征联合和多核稀疏表示的车型识别方法,利用智能交通相机拍摄包括复杂场景下的车辆图像,首先对车辆图像进行预处理,然后基于CNN中AlexNet网络,设计5个卷积层与3个全连接层自动提取车辆的全局与局部特征,将第1,2,5池化层和第6,7全连接层的特征图按列拉伸后作为车辆特征分量分别输入到5个不同的单核函数中,并通过加权融合形成一个联合特征矩阵;然后基于多核学习和稀疏表示算法,求解每个核函数的权值和联合特征矩阵的投影矩阵,最后根据核稀疏最小重构误差实现对车辆类型的识别。本发明能够实时进行车型识别,提取出需要的交通流信息,解决交通拥堵问题,有利于公路网的总体规划及道路建设。
Description
技术领域
本发明属于智能交通***中的车型识别领域,具体涉及一种基于CNN多特征联合和多核稀疏表示的车型识别方法。
背景技术
卷积神经网络(CNN)当前已经成为图像识别领域的研究热点,由于其识别率高等优点,卷积神经网络也逐渐运用到车型识别中。但在一般情况下,都是使用卷积神经网络的深层提取的特征进行分类器训练,而这些特征可能并没有包含足够多的有用信息来实现图像的正确分类。研究表明,卷积神经网络的浅层抽取的是图像局部的特征,这些特征更精细且包含更多的细节信息,而深层抽取的是图像全局性的特征,这些特征具有显著的差异,有更加稳定的模式和结构。如果将卷积神经网络的浅层特征和深层特征联合起来,将会使图像特征更加丰富,会大幅提高图像识别率和鲁棒性。
核学***坦等情况下的应用需求,不能有效整合异质数据背后隐藏的信息。如果使用多核学***坦等情况。
发明内容
本发明的针对现有技术中的不足,提供一种基于CNN多特征联合和多核稀疏表示的车型识别方法。
为实现上述目的,本发明采用以下技术方案:
1)采集车辆图像,将采集到的车辆图像分为训练样本和测试样本,对车辆图像进行预处理,调整图片像素,并对图片添加标签,标注图像的所属车型类别,其中,训练样本表示为V=[v1,v2,…,vn],n表示训练样本个数,测试样本表示为y;
2)基于CNN自动提取样本各层级的车辆图像特征,得到车辆特征向量;
3)对车辆特征向量进行基于多核的非线性映射,转换到高维的特征空间;
4)对高维的特征空间进行样本空间转换,减少核空间特征参数的维数;
5)优化约束函数,求解稀疏表示系数向量;
6)定义满足类间重构误差最大且类内重构误差最小的目标函数;
7)优化求解核函数权值和投影系数矩阵;
8)基于求得的核函数权值和投影系数矩阵,根据测试样本的核稀疏最小重构误差实现对车辆类型的识别。
为优化上述技术方案,采取的具体措施还包括:
步骤2)中:
基于CNN中AlexNet网络,设计5个卷积层与3个全连接层:层1-5是卷积层,提取车辆的局部特征,其中,层1、2、5在卷积滤波后有池化层;层6-7是全连接层,提取车辆的全局特征;
利用CNN网络对训练样本进行训练,从CNN网络提取第1、2、5池化层和第6、7全连接层每一层的特征分量Ft,t=1,2,3,4,5,F1,F2,F3,F4,F5分别对应第1、2、5、6、7层的特征分量,车辆特征分量经加权联合后得到车辆联合特征向量F=(F1,F2,…,F5)。
步骤3)中:
将车辆特征分量Ft分别输入到不同的基础单核函数κm中,核函数包括三个高斯核和两个线性核,κ1,κ2,κ3为高斯核, σ表示函数的宽度参数;κ4,κ5为线性核,κ4(xi,xj)=xi Txj,κ5(xi,xj)=(1+xi Txj),i和j均为整数,i∈{1,2,...,n},j∈{1,2,...,n};
基于多核矩阵对训练样本和测试样本进行非线性匹配,将原始特征空间转换到高维特征空间H0,在空间H0上训练样本矩阵表示为φ(X)=[φ(x1),φ(x2),…,φ(xn)],测试样本表示为φ(y)。
步骤4)中:
将转换到高维特征空间H0的特征参数乘以一个低维的投影矩阵P,减少核空间特征参数的维数,P=[P1,P2,…,Pd]∈Rm×d,d是投影空间的维数。
步骤5)中:
其中,λ≥0,表示为了避免过拟合加入的正则项,通过交叉验证来选择大小;矩阵A是投影矩阵P的系数矩阵,Km(i,y)=κm(xi,y);Km(i,j)=κm(xi,xj),i和j均为整数,i∈{1,2,...,n},j∈{1,2,...,n}。
步骤6)中:
定义满足类间重构误差最大且类内重构误差最小的目标函数F(A,β):
其中,I为单位矩阵;Jb=tr(ATKβSbKβA),tr(·)表示矩阵的迹;
Sb为类间散度矩阵,ei是第i个元素为1其他元素为0的n维单位向量,αi表示第i个训练样本的稀疏表示系数向量,δs(αi)是一个n维向量,它的非零元素由矩阵αi中跟除第类以外关联的位置元素组成,而跟第类关联的位置元素为0,表示车辆的类别,c为训练样本的类别个数;
步骤7)中:
优化求解核函数权值β和投影系数矩阵A,将目标函数转化为:
采用交替迭代的方法进行优化求解,重复迭代次数直到收敛,具体如下:
优化求解A:
使用最小角回归算法求得最优解A;
优化求解β:
定义一个关于β的函数h(β)=tr(AT(KβSbKβ-ρKβSwKβ-ρλI)A);
步骤8)中:
本发明的有益效果是:
1、采用基于计算机视觉技术的方法,安装维护方便,不影响路面寿命,不影响交通,而且所用设备少,具有成本低,鲁棒性好,安全性高等优点;
2、将多特征联合引入到基于核稀疏表示的车型识别中,使得在不同层所产生的特征分量的优势得到更充分和合理的利用;
3、多核学***坦的情况。
附图说明
图1是本发明的总体流程图。
图2是本发明AlexNet网络结构图。
图3是本发明联合车辆局部与全局特征流程图。
图4是本发明多核稀疏学习算法流程图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
如图1所示的基于CNN多特征联合和多核稀疏表示的车型识别方法,利用CNN网络提取车辆的全局与局部特征,并通过多核加权联合引入到基于稀疏表示的车型识别中,使浅层和深层网络的特征优势得到更充分和合理的利用,且多核学习使得不同核函数的性能表现更加突出,从而能够大大提高车型识别的准确率和鲁棒性,具体步骤如下。
步骤1:车辆图像采集与预处理
利用智能交通相机拍摄包括复杂场景下的大型客车、卡车、面包车和小轿车四种车型图像,总共采集3000张车辆图像,其中2000张为训练样本,1000张为测试样本。
首先对车辆图像进行预处理,图片大小统一调整为224×224像素,并对图像添加标签,标注该图像所属车型类别,有大型客车、卡车、面包车和小轿车四种类别。其中,训练样本表示为V=[v1,v2,…,vn],n表示训练样本个数,测试样本用y表示。
步骤2:CNN自动提取样本各层级的车辆图像特征
基于CNN中AlexNet网络,AlexNet网络结构图如图2所示,设计5个卷积层与3个全连接层,自动提取车辆的全局与局部特征。局部特征主要是浅层网络提取的一些边缘、角落等简单特征,全局特征主要是深层网络提取的具有显著差异的复杂特征。
Layer1-Layer5是卷积层,主要提取局部特征,其中Layer1、Layer2和Layer5三层卷积滤波后有池化层。Layer1中,卷积滤波后输出是96个55×55大小的图片,卷积滤波后,还接有池化层,池化后的图像大小为96×27×27;Layer2中,卷积滤波后图像大小为256×27×27,池化后的图像大小为256×13×13;Layer5中,池化后的图像大小为256×6×6。
Layer6和Layer7是全连接层,主要提取全局特征,相当于在卷积层的基础上再加上一个全连接神经网络分类器。
利用设计好的CNN网络对训练样本进行训练,从CNN网络提取第1、2、5池化层和第6、7全连接层每一层的特征分量Ft,t=1,2,3,4,5,车辆特征分量经加权联合后得到车辆联合特征向量F=(F1,F2,…,F5)。图3是提取车辆的局部和全局特征加权形成联合特征的流程图。
步骤3:基于多核的非线性映射
将第1、2、5池化层和第6、7全连接层的车辆特征分量Ft分别输入到不同的基础单核函数κm中,此处使用的核函数是三个高斯核和两个线性核,κ1,κ2,κ3为高斯核, σ表示函数的宽度参数,其中 κ4,κ5为线性核,κ4(xi,xj)=xi Txj,κ5(xi,xj)=(1+xi Txj),i和j均为整数,i∈{1,2,...,n},j∈{1,2,...,n}。
基于多核矩阵对样本进行非线性匹配,转换到高维的Hilbert空间,即将原始特征空间转换到高维特征空间H0,在空间H0上训练样本矩阵可以表示为φ(X)=[φ(x1),φ(x2),…,φ(xn)],测试样本表示为φ(y)。
步骤4:样本空间转换
为了减少分类器训练的难度,将转换到高维Hilbert空间的特征参数乘以一个低维的投影矩阵P,以减少核空间特征参数的维数,P=[P1,P2,…,Pd]∈Rm×d,d是投影空间的维数,d=128。
步骤5:优化约束函数,求解稀疏表示系数向量α
多核稀疏学习算法流程图如图4所示。
基于稀疏编码理论利用l-2范数约束优化求解,得到稀疏表示系数向量α,约束优化公式为:
其中,λ≥0,表示为了避免过拟合而加入的一个正则项,通过交叉验证来选择大小,本专利选取λ=0.01;矩阵A是投影矩阵P的系数矩阵,P=φ(X)A;Km(i,y)=κm(xi,y);Km(i,j)=κm(xi,xj),i和j均为整数,i∈{1,2,...,n},j∈{1,2,...,n};
步骤6:定义满足类间重构误差最大且类内重构误差最小的目标函数
定义满足类间重构误差最大且类内重构误差最小的目标函数F(A,β):
其中,I为单位矩阵;Jb=tr(ATKβSbKβA),tr(·)表示矩阵的迹;
Sb为类间散度矩阵,ei是第i个元素为1其他元素为0的n维单位向量,αi表示第i个训练样本的稀疏表示系数向量,δs(αi)是一个n维向量,它的非零元素由矩阵αi中跟除第类以外关联的位置元素组成,而跟第类关联的那个位置的元素均为0,表示车辆的类别,c为训练样本的类别个数。
Jw=tr(AT(KβSwKβ+λI)A),为了避免过拟合,此处在求解过程中引入一个正则项λ′I,以确保KβSwKβ+λ′I是满秩矩阵,λ′=0.01;Sw为类内散度矩阵 是一个n维向量,它的非零元素由矩阵αi中跟第类关联的位置元素组成,除第类以外的其他位置元素均为0。
步骤7:优化求解核函数权值β和投影系数矩阵A
目标函数(2)可转化为:
其中,ρ表示给定一个A和β后的极大值,ρ=20。此处采用交替迭代的方法进行优化求解,即先固定β,优化A;然后固定A,再优化β。重复迭代次数直到达到收敛,收敛精度为0.0001或达到最大迭代次数10次。
1)优化求解A:固定β,则目标函数为:
然后使用最小角回归算法(Least Angle Regression,LARS)求得最优解A。
2)优化求解β:固定A,则目标函数为:
目标函数(5)不是一个凸优化问题,只能解得一个局部最优解,因此定义一个关于β的函数h(β)=tr(AT(KβSbKβ-ρKβSwKβ-ρλI)A)。
步骤8:车型识别
基于求得的核函数权值和投影系数矩阵,根据测试样本的核稀疏最小重构误差实现对车辆类型的识别。
最终根据公式进行车型识别分类,若显示测试样本与大型客车那一类样本的重构误差最小,则将测试图片中的车型认为是大型客车;若显示测试样本与卡车那一类样本的重构误差最小,则将测试图片中的车型认为是卡车;若显示测试样本与面包车那一类样本的重构误差最小,则将测试图片中的车型认为是面包车;若显示测试样本与轿车那一类样本的重构误差最小,则将测试图片中的车型认为是轿车。到此,则完成了车型的识别。
需要注意的是,发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (6)
1.一种基于CNN多特征联合和多核稀疏表示的车型识别方法,包括以下步骤:
1)采集车辆图像,将采集到的车辆图像分为训练样本和测试样本,对车辆图像进行预处理,调整图片像素,并对图片添加标签,标注图像的所属车型类别,其中,训练样本表示为V=[v1,v2,…,vn],n表示训练样本个数,测试样本表示为y;
2)基于CNN自动提取样本各层级的车辆图像特征,得到车辆特征分量;具体为:基于CNN中AlexNet网络,设计5个卷积层与3个全连接层:层1-5是卷积层,被用来提取车辆的局部特征,其中,层1、2、5在卷积滤波后有池化层;层6-7是全连接层,被用来提取车辆的全局特征;
利用CNN网络对训练样本进行训练,从CNN网络提取第1、2、5池化层和第6、7全连接层每一层的特征分量Ft,t=1,2,3,4,5,F1,F2,F3,F4,F5分别对应第1、2、5池化层和第6、7全连接层的特征分量;
3)对车辆特征分量进行基于多核的非线性映射,转换到高维的特征空间,车辆特征分量经加权联合后得到车辆联合特征向量F=(F1,F2,…,F5):
将车辆特征分量Ft分别输入到不同的基础单核函数κm中,核函数包括三个高斯核和两个线性核,κ1,κ2,κ3为高斯核, σ表示函数的宽度参数;κ4,κ5为线性核,κ4(xi,xj)=xi Txj,κ5(xi,xj)=(1+xi Txj),i和j均为整数,i∈{1,2,...,n},j∈{1,2,...,n};
基于多核矩阵对训练样本和测试样本进行非线性匹配,将原始特征空间转换到高维特征空间H0,在空间H0上训练样本矩阵表示为φ(X)=[φ(x1),φ(x2),…,φ(xn)],测试样本表示为φ(y);
4)对高维的特征空间进行样本空间转换,减少核空间特征参数的维数;
5)优化约束函数,求解稀疏表示系数向量;
6)定义满足类间重构误差最大且类内重构误差最小的目标函数;
7)优化求解核函数权值和投影系数矩阵;
8)基于求得的核函数权值和投影系数矩阵,根据测试样本的核稀疏最小重构误差实现对车辆类型的识别。
2.如权利要求1所述的一种基于CNN多特征联合和多核稀疏表示的车型识别方法,其特征在于:步骤4)中:
将转换到高维特征空间H0的特征参数乘以一个低维的投影矩阵P,减少核空间特征参数的维数,P=[P1,P2,…,Pd]∈Rm×d,d是投影空间的维数。
4.如权利要求3所述的一种基于CNN多特征联合和多核稀疏表示的车型识别方法,其特征在于:步骤6)中:
定义满足类间重构误差最大且类内重构误差最小的目标函数F(A,β):
其中,I为单位矩阵;Jb=tr(ATKβSbKβA),tr(·)表示矩阵的迹;
Sb为类间散度矩阵,ei是第i个元素为1其他元素为0的n维单位向量,αi表示第i个训练样本的稀疏表示系数向量,δs(αi)是一个n维向量,它的非零元素由矩阵αi中跟除第类以外关联的位置元素组成,而跟第类关联的位置元素为0,表示车辆的类别,c为训练样本的类别个数;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710518975.7A CN107330463B (zh) | 2017-06-29 | 2017-06-29 | 基于cnn多特征联合和多核稀疏表示的车型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710518975.7A CN107330463B (zh) | 2017-06-29 | 2017-06-29 | 基于cnn多特征联合和多核稀疏表示的车型识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107330463A CN107330463A (zh) | 2017-11-07 |
CN107330463B true CN107330463B (zh) | 2020-12-08 |
Family
ID=60199126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710518975.7A Active CN107330463B (zh) | 2017-06-29 | 2017-06-29 | 基于cnn多特征联合和多核稀疏表示的车型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107330463B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108052861A (zh) * | 2017-11-08 | 2018-05-18 | 北京卓视智通科技有限责任公司 | 一种神经网络***及基于该神经网络***的车型识别方法 |
CN107862340A (zh) * | 2017-11-16 | 2018-03-30 | 深圳市华尊科技股份有限公司 | 一种车型识别方法及装置 |
US10740659B2 (en) * | 2017-12-14 | 2020-08-11 | International Business Machines Corporation | Fusing sparse kernels to approximate a full kernel of a convolutional neural network |
CN108197538B (zh) * | 2017-12-21 | 2020-10-16 | 浙江银江研究院有限公司 | 一种基于局部特征和深度学习的卡口车辆检索***及方法 |
CN108491880B (zh) * | 2018-03-23 | 2021-09-03 | 西安电子科技大学 | 基于神经网络的物体分类和位姿估计方法 |
CN108681707A (zh) * | 2018-05-15 | 2018-10-19 | 桂林电子科技大学 | 基于全局和局部特征融合的大角度车型识别方法和*** |
CN109166317B (zh) * | 2018-10-29 | 2020-07-24 | 东北林业大学 | 基于状态特征的城市交通路径通过时间确定方法 |
CN109359696B (zh) * | 2018-10-29 | 2021-04-02 | 重庆中科云从科技有限公司 | 一种车款识别方法、***及存储介质 |
CN109598218B (zh) * | 2018-11-23 | 2023-04-18 | 南通大学 | 一种车型的快速识别方法 |
CN109753887B (zh) * | 2018-12-17 | 2022-09-23 | 南京师范大学 | 一种基于增强核稀疏表示的sar图像目标识别方法 |
CN109919242A (zh) * | 2019-03-18 | 2019-06-21 | 长沙理工大学 | 一种基于深度特征和联合稀疏的图像目标识别方法 |
CN110287847A (zh) * | 2019-06-19 | 2019-09-27 | 长安大学 | 基于Alexnet-CLbpSurf多特征融合的车辆分级检索方法 |
CN111062249A (zh) * | 2019-11-11 | 2020-04-24 | 北京百度网讯科技有限公司 | 车辆信息获取方法、装置、电子设备及存储介质 |
CN111310864B (zh) * | 2020-03-30 | 2023-04-18 | 安徽工业大学 | 一种基于分组稀疏的多核学习图像分类方法 |
CN112069958A (zh) * | 2020-08-27 | 2020-12-11 | 广西柳工机械股份有限公司 | 物料识别方法、装置、设备及存储介质 |
CN113111879B (zh) * | 2021-04-30 | 2023-11-10 | 上海睿钰生物科技有限公司 | 一种细胞检测的方法和*** |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014152919A1 (en) * | 2013-03-14 | 2014-09-25 | Arizona Board Of Regents, A Body Corporate Of The State Of Arizona For And On Behalf Of Arizona State University | Kernel sparse models for automated tumor segmentation |
CN105046269B (zh) * | 2015-06-19 | 2019-02-22 | 鲁东大学 | 一种基于多核融合的多示例多标签场景分类方法 |
CN105809121A (zh) * | 2016-03-03 | 2016-07-27 | 电子科技大学 | 多特征协同的交通标志检测与识别方法 |
CN105760900B (zh) * | 2016-04-08 | 2019-06-18 | 西安电子科技大学 | 基于近邻传播聚类和稀疏多核学习的高光谱图像分类方法 |
CN105844261A (zh) * | 2016-04-21 | 2016-08-10 | 浙江科技学院 | 基于优化特征投影矩阵的3d掌纹稀疏表示识别方法 |
CN105930812A (zh) * | 2016-04-27 | 2016-09-07 | 东南大学 | 一种基于融合特征稀疏编码模型的车辆品牌类型识别方法 |
CN105956560B (zh) * | 2016-05-06 | 2019-07-09 | 电子科技大学 | 一种基于池化多尺度深度卷积特征的车型识别方法 |
CN106845351A (zh) * | 2016-05-13 | 2017-06-13 | 苏州大学 | 一种用于视频的基于双向长短时记忆单元的行为识别方法 |
CN106203318B (zh) * | 2016-06-29 | 2019-06-11 | 浙江工商大学 | 基于多层次深度特征融合的摄像机网络行人识别方法 |
CN106384100A (zh) * | 2016-09-28 | 2017-02-08 | 武汉大学 | 一种基于部件的精细车型识别方法 |
CN106886580B (zh) * | 2017-01-23 | 2020-01-17 | 北京工业大学 | 一种基于深度学习的图片情感极性分析方法 |
-
2017
- 2017-06-29 CN CN201710518975.7A patent/CN107330463B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107330463A (zh) | 2017-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330463B (zh) | 基于cnn多特征联合和多核稀疏表示的车型识别方法 | |
US11450066B2 (en) | 3D reconstruction method based on deep learning | |
CN110414377B (zh) | 一种基于尺度注意力网络的遥感图像场景分类方法 | |
CN112836672B (zh) | 一种基于自适应近邻图嵌入的无监督数据降维方法 | |
WO2018010434A1 (zh) | 一种图像分类方法及装置 | |
CN105787516A (zh) | 一种基于空谱局部性低秩超图学习的高光谱图像分类方法 | |
CN114581560B (zh) | 基于注意力机制的多尺度神经网络红外图像彩色化方法 | |
CN108460400B (zh) | 一种结合多种特征信息的高光谱图像分类方法 | |
CN109993214B (zh) | 基于拉普拉斯正则化和秩约束的多视图聚类方法 | |
CN109657704B (zh) | 一种基于稀疏融合的核化场景特征提取方法 | |
CN111652273A (zh) | 一种基于深度学习的rgb-d图像分类方法 | |
CN111047078A (zh) | 交通特征预测方法、***及存储介质 | |
Yun et al. | In defense of knowledge distillation for task incremental learning and its application in 3D object detection | |
Zhou et al. | ECA-mobilenetv3 (large)+ SegNet model for binary sugarcane classification of remotely sensed images | |
CN112163114A (zh) | 一种基于特征融合的图像检索方法 | |
Saraswat et al. | Plant Disease Identification Using Plant Images | |
CN104933410B (zh) | 一种高光谱图像光谱域与空间域联合分类方法 | |
CN113505831A (zh) | 一种基于核范数约束的多视图聚类方法及*** | |
CN113344110A (zh) | 一种基于超分辨率重建的模糊图像分类方法 | |
Rodrigues et al. | HEp-2 cell image classification based on convolutional neural networks | |
CN112966735A (zh) | 一种基于谱重建的监督多集相关特征融合方法 | |
CN110188821B (zh) | 多参数边缘保持滤波和多特征学习的高光谱图像分类方法 | |
CN112232102A (zh) | 一种基于深度神经网络和多任务学习的建筑物目标识别方法和*** | |
Zhang et al. | SVM methods in image segmentation | |
Zhu et al. | Gradient-based graph attention for scene text image super-resolution |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |