CN109978132A - 一种精细化车辆识别的神经网络方法及*** - Google Patents

一种精细化车辆识别的神经网络方法及*** Download PDF

Info

Publication number
CN109978132A
CN109978132A CN201811578925.9A CN201811578925A CN109978132A CN 109978132 A CN109978132 A CN 109978132A CN 201811578925 A CN201811578925 A CN 201811578925A CN 109978132 A CN109978132 A CN 109978132A
Authority
CN
China
Prior art keywords
region
feature
smcr
characteristic
vehicle
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.)
Pending
Application number
CN201811578925.9A
Other languages
English (en)
Inventor
张锲石
程俊
田艳玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201811578925.9A priority Critical patent/CN109978132A/zh
Publication of CN109978132A publication Critical patent/CN109978132A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/24—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种精细化车辆识别的神经网络方法及***，包括：输入待检测车辆图片，利用显著性区域特征提取网络提取特征区域的步骤，将提取的结果输入迭代分类网络中进行处理的步骤，然后输出车辆的识别结果。本发明经过多次显著性区域自动定位，能够使用随意角度的图片进行识别，而不需要使用正规正视图等特定角度的图片，这在车辆识别过程中能够更加准确的识别其车型以及车系，而且车辆识别率比以往的方法有大幅度的提升。

Description

一种精细化车辆识别的神经网络方法及***
技术领域
本发明涉及计算机视觉领域，尤其涉及精细化车辆识别的方法及***。
背景技术
车辆识别作为计算机视觉中一个重要的研究领域，已经广泛应用于交通监管、视频监控等方面。随着生活水平的提高，车辆数目的不断增长，近似车型越来越多，车型之间差异变小，传统的人工识别方法在速度与准确度上已经不能满***通监管的需求。深度学习的出现虽然提高了车辆识别上的速度和准确度，但依旧存在很多问题，例如车辆的识别角度、背景噪声、光线照明以及遮挡情况等都会对识别准确率造成影响，这些客观现实导致的技术难点均给车辆识别带来了极大的挑战。摒除人工干预，可自动的定位关键点来识别车辆是车辆识别领域追求的目标。
目前，基于深度学习的车辆识别方法主要分为两类：基于卷积神经网络(CNN)的车辆识别方法和基于其他深度网络的车辆识别方法。(1)基于CNN的车辆识别方法为，给定一定数量的车辆图片作为网络的输入，CNN逐层提取图片中车辆的特征，并通过分类器或Softmax层对车辆型号进行分类和识别。(2)基于其他深度网络的车辆识别方法，例如深度置信网络(DBN)等。这种网络首先用未标记的样本逐层抽取信息，然后通过标记的样本对整个深度网络进行微调，以达到最终的学习目标。然而，以上车辆识别方法均不能准确识别任意角度下的车辆型号，且存在识别过程中不能自动地定位关键区域与特征等技术问题。
发明内容
有鉴于此，本发明提出了一种精细化车辆识别的神经网络方法及***，其采用多区域显著性区域特征提取的迭代神经网络，有效的解决了现有技术存在的问题。
一种精细化车辆识别的神经网络方法，包括：输入待检测车辆图片，利用显著性区域特征提取网络提取特征区域的步骤10，将提取的结果输入迭代分类网络中进行处理的步骤20，输出车辆的识别结果。
进一步地，所述利用显著性区域特征提取网络提取特征区域的步骤10包括：对待检测车辆图片，采用CNN模型提取特征响应值，形成响应图的步骤110；根据响应图提取主目标区域O和局部目标区域A的步骤120；通过裁剪得到全局特征区域G-SMCR特征的步骤131，和得到局部特征区域L-SMCR特征的步骤132。
进一步地，所述采用CNN模型提取特征响应值，形成响应图的步骤110为：采用预训练的CNN神经网络模型对输入的待检测车辆图片进行特征提取，获得特征响应值；在深度方向加和所述响应值，形成响应图。
进一步地，所述根据响应图提取主目标区域O和局部目标区域A的步骤120为：计算所述响应图中所有元素的平均值逐个判断各元素的值，若大于则对应元素置为1，否则置为0；根据得到的元素为1的区域，提取出主目标区域O；在主目标区域O中，同样根据元素为1的区域，得到n个不相关的局部目标区域{A1,…,An}，其中n<8。
进一步地，所述通过裁剪得到全局特征区域G-SMCR特征的步骤131或局部特征区域L-SMCR特征的步骤132为：
取区域的重心为P，以P为中心分别取该区域的外接正方形和内接正方形，其中外接正方形的边长为内接正方形的边长为计算裁剪边长Ls为：以P为中心，以Ls为边长进行裁剪，得到特征区域；
其中由主目标区域O裁剪得到全局特征区域G-SMCR，或由局部目标区域A裁剪得到局部特征区域L-SMCR，根据所述响应图得到G-SMCR特征和L-SMCR特征。
进一步地，所述迭代分类网络中进行处理的步骤20包括：用关键区域提取网络PDPN提取关键性参数的步骤210，基于该关键性参数进行关键区域K的定位和裁剪的步骤220，得到关键区域K的图；重复迭代所述提取关键性参数步骤210和所述定位和裁剪步骤220至规定的次数，获得不同尺度下的关键区域K，并进行融合及分类的步骤230。
进一步地，所述用关键区域提取网络PDPN提取关键性参数的步骤210为：
计算车辆型号的概率：其中，Fc(·)表示将特征图映射为向量的一个全卷积操作，为提取出的特征描述子，Ap为操作中的参数，由训练得到，I为输入的特征图；
提取表示关键区域K的关键性参数：其中，以输入的特征图I的左上角作为平面直角坐标系原点，x轴从左到右，y轴从上到下，sl为关键区域K的边长的一半，(cx,cy)为K的中心点，H(·)表示生成关键性参数的全连接层；
所述输入的特征图I为局部特征区域L-SMCR或迭代得到的关键区域K的特征图。
进一步地，根据所述关键区域的定位和裁剪的步骤220为：
将输入的特征图I的左上角作为坐标系原点，记左上角的点为tl，右下角为br，cx(tl)＝cx-sl,cy(tl)＝cy-sl,cx(br)＝cx+sl,cy(br)＝cy+sl；
裁剪操作为：
Ip＝IΔ[l(x-cx(tl))-l(x-cx(br))]·[l(y-cy(tl))-l(y-cs(br))],
其中，l(x)为Logistic函数，取l(x)＝1/{1+exp-kx}，k为常数，Ip为裁剪得到关键区域K的图，Δ代表变量之间的乘法操作，I为输入的特征图，l(·)是选取关键区域的裁剪操作的功能函数。
进一步地，所述融合及分类的步骤230为，将所有局部特征区域L-SMCR的不同尺度图像所得到的车辆类别概率与全局特征区域G-SMCR的特征通过隐藏层将其融合在一起，然后经过Softmax进行最后的分类。
本发明还提出一种精细化车辆识别的神经网络***，包括显著性区域特征提取网络1和迭代分类网络2，其中，所述显著性区域特征提取网络1用于对待识别的车辆图片进行特征区域的提取，并将提取结果输入到迭代分类网络2，在迭代分类网络2中进一步提取特征并进行多尺度融合分类，输出车辆的精细化识别结果。
其中，显著性区域特征提取网络1提取一个全局特征区域G-SMCR特征，和若干个局部特征区域L-SMCR特征。
本发明的优势在于：经过多次显著性区域自动定位，使得在车辆识别过程中能够更加准确的识别其车型以及车系。与其他现有技术相比，能够使用随意角度的图片进行识别，而不需要使用正规正视图。而且，经过实验验证，本发明的方法在常用车辆数据集上识别率比以往的方法有大幅度的提升。
附图说明
图1为精细化车辆识别的神经网络方法总体流程图。
图2为精细化车辆识别的神经网络方法详细流程图。
图3为提取可视化特征的示意图。
图4为主目标区域及局部目标区域示意图。
图5为局部目标区域特征裁剪方法示意图。
图6为关键区域学习示意图。
图7为融合与分类过程示意图。
图8为精细化车辆识别的神经网络***框图。
具体实施方式
如图1所示，本发明的精细化车辆识别的神经网络方法，其步骤为：输入待检测车辆图片，利用显著性区域特征提取网络提取特征区域的步骤10，将提取的结果输入迭代分类网络中进行处理的步骤20，输出车辆的识别结果。
具体地步骤如图2所示，对于输入的待检测车辆图片，采用CNN模型提取特征响应值，形成响应图的步骤110；根据响应图提取主目标区域O和局部目标区域A的步骤120；通过裁剪得到全局特征区域G-SMCR特征的步骤131，和局部特征区域L-SMCR特征的步骤132；对于L-SMCR特征，还进行将其输入关键区域提取网络PDPN中提取关键性参数的步骤210，基于该关键性参数进行关键区域K的定位和裁剪的步骤220，得到关键区域K的图；重复迭代步骤210和220至规定的次数，获得不同尺度下的关键区域K，将提取的G-SMCR特征和不同尺度下的关键区域特征进行融合及分类的步骤230，并输出识别结果。
其中，输入待识别的车辆图片，其大小为H×W；采用预训练的CNN神经网络模型对该车辆图片进行特征提取，获得特征响应值，如图3所示；在深度方向加和所述响应值，形成响应图，即步骤110。其中，特征响应值，是对除全连接层以外的最后一层网络获得的响应值。
根据响应图提取主目标区域O和局部目标区域A的步骤120为，计算所述响应图中H×W所有元素的平均值判断各元素的值，若大于则对应元素置为1，否则置为0，由此得到多个为1的区域，然后通过双三次插值(bicubic interpolation)以及洪水填充算法(Flood-fill algorithm)剪裁得到主目标区域O；在主目标区域O中，同样根据响应图中为1的区域，得到n个不相关的局部目标区域{A1,…,An}，其中n<8，如图4所示。
如图5所示，G-SMCR特征或L-SMCR特征的提取方法131,132相同，以区域A1为例，取其重心为P，以P为中心分别取其外接正方形和内接正方形，其中外接正方形的边长为内接正方形的边长为计算裁剪边长Ls为：以P为中心，以Ls为边长进行裁剪，即得到一个局部特征区域L-SMCR。其中由主目标区域O裁剪得到全局特征区域G-SMCR，由局部目标区域A裁剪得到局部特征区域L-SMCR，根据步骤110中得到的响应图进一步得到G-SMCR特征，或L-SMCR特征。
迭代分类网络进行处理的步骤20包括：利用关键区域提取网络PDPN提取关键性参数的步骤210，基于该关键性参数进行关键区域K的定位和裁剪的步骤220，得到关键区域K的图；重复迭代步骤210和220至规定次数，获得不同尺度下的关键区域K，将提取的G-SMCR特征和不同尺度下的关键区域的特征进行融合及分类的步骤230，并输出识别结果。
在步骤210中计算：其中，P(I)为车辆型号的概率表示，Fc(·)表示将特征图映射为向量的一个全卷积操作，为提取出的特征描述子，Ap为操作中的参数，由训练得到，I为输入的特征图；
提取表示关键区域的关键性参数：其中，以输入的特征图I的左上角作为平面直角坐标系原点，x轴从左到右，y轴从上到下，sl为关键区域K边长的一半，(cx,cy)为K的中心点，H(·)表示可以生成关键性参数的全连接层。关键性参数如图6所示，图6的左图为关键区域K的实际图片，图6的右图为对应的特征图，其中，中心圆点为K的中心点(cx,cy)，sl为K的边长的一半，箭头所指的方向为下一次迭代寻找关键区域K时的方向，其指向与图6左图中的关键特征，即车轮中的车标，方向一致。
步骤220中，根据获得的关键性参数[cx,cy,sl]，缩减原有区域的尺寸，方法为：将输入的特征图的左上角作为坐标系原点，记左上角的点为tl，右下角为br，计算cx(tl)＝cx-sl,cy(tl)＝cy-sl,cx(br)＝cx+sl,cy(br)＝cy+sl；获得关键区域K的范围，然后进行裁剪操作：
Ip＝IΔ[l(x-cx(tl))-l(x-cx(br))]·[l(y-cy(tl))-l(y-cx(br))],
其中l(x)为Logistic函数，可取l(x)＝1/{1+exp-kx}，k为常数，Δ代表变量之间的乘法操作，Ip为裁剪的关键区域K的图，I为输入的特征图，l(·)是一个选取关键区域的裁剪操作的功能函数。
在步骤210和220中，输入的特征图I第一次为步骤132中获得的L-SMCR特征的图，此后为步骤220裁剪得到的关键区域K的特征图，由此形成迭代，得到多个尺度下的关键区域。迭代至规定的迭代次数时停止迭代，迭代次数的选择需既能定位关键的特征，又节省计算成本，本实施例中迭代次数为2-5次，优选为2次。
所述融合及分类的步骤230中，将每次步骤210中得到的车辆型号概率归入F，F＝{P1,P2,…,PN},N为L-SMCR的个数与每个L-SMCR获得的不同尺度关键区域的个数的乘积；将G-SMCR特征与F相结合，如图7所示，通过隐藏层将其融合在一起，并经过Softmax对其进行最后的分类，得到识别结果。
本发明的精细化车辆识别的神经网络***如图8所示，包括显著性区域特征提取网络1和迭代分类网络2，其中显著性区域特征提取网络1用于对待识别的车辆图片进行特征区域的提取，并将提取结果输入到迭代分类网络2中，在迭代分类网络中，进一步提取特征并进行多尺度融合分类，从而实现对车辆的精细化识别。其中，显著性区域特征提取网络1提取一个全局特征区域G-SMCR特征，和若干个局部特征区域L-SMCR特征。
迭代分类网络2包括关键区域提取网络21，即PDPN，定位裁剪模块22，以及融合及分类模块23。将每个L-SMCR输入PDPN网络21中提取关键性参数，PDPN与定位裁剪模块22连接，基于提取的关键性参数进行关键区域定位和裁剪，所述PDPN网络21与定位裁剪模块22配合，重复迭代获得不同尺度的结果，将所有L-SMCR的所有尺度上的特征结果以及G-SMCR的特征送入融合及分类模块23，获得最后的识别结果。
实验验证
实验中，分别在CompCars和Cars-196数据集上进行了测试，测试结果如下表所示：
[2017-TM]：2017年IEEE Trans.on Multimedia(TM)提到的方法；
[2016-CVPR]：2016年IEEE Conf.on Computer Vision and PatternRecognition(CVPR)中提到的方法。
本发明经过与其他方法实验对比，在识别准确率上得到明显提升。
所述领域的普通技术人员应当理解，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种精细化车辆识别的神经网络方法，其特征在于，包括：输入待检测车辆图片，利用显著性区域特征提取网络提取特征区域的步骤(10)，将提取的结果输入迭代分类网络中进行处理的步骤(20)，然后输出车辆的识别结果。
2.如权利要求1所述的神经网络方法，其特征在于，所述利用显著性区域特征提取网络提取特征区域的步骤(10)包括：对待检测车辆图片，采用CNN模型提取特征响应值，形成响应图的步骤(110)；根据响应图提取主目标区域(O)和局部目标区域(A)的步骤(120)；通过裁剪得到全局特征区域(G-SMCR)特征和局部特征区域(L-SMCR)特征的步骤(131，132)。
3.如权利要求2所述的神经网络方法，其特征在于，所述采用CNN模型提取特征响应值，形成响应图的步骤(110)为：采用预训练的CNN神经网络模型对输入的待检测车辆图片进行特征提取，获得特征响应值；在深度方向加和所述响应值，形成响应图。
4.如权利要求2或3所述的神经网络方法，其特征在于，所述根据响应图提取主目标区域(O)和局部目标区域(A)的步骤(120)为：计算所述响应图中所有元素的平均值逐个判断各元素的值，若大于则对应元素置为1，否则置为0；根据得到的元素为1的区域，提取出主目标区域(O)；在主目标区域(O)内，同样根据元素为1的区域，得到n个不相关的局部目标区域{A1,…,An}，其中n<8。
5.如权利要求2或4所述的神经网络方法，其特征在于，所述通过裁剪得到全局特征区域(G-SMCR)特征的步骤(131)，或得到局部特征区域(L-SMCR)特征的步骤(132)为：
取区域的重心为P，以P为中心分别取该区域的外接正方形和内接正方形，其中外接正方形的边长为内接正方形的边长为计算裁剪边长Ls为：以P为中心，以Ls为边长进行裁剪，得到特征区域；
其中由主目标区域(O)裁剪得到全局特征区域(G-SMCR)，或由局部目标区域(A)裁剪得到局部特征区域(L-SMCR)，根据所述响应图得到全局特征区域(G-SMCR)特征和局部特征区域(L-SMCR)特征。
6.如权利要求1-5任一项所述的神经网络方法，其特征在于，所述迭代分类网络中进行处理的步骤(20)包括：用关键区域提取网络(PDPN)提取关键性参数的步骤(210)，基于该关键性参数进行关键区域(K)的定位和裁剪的步骤(220)，得到关键区域(K)的图；重复迭代所述提取关键性参数的步骤(210)和所述定位和裁剪的步骤(220)达到规定次数，获得不同尺度下的关键区域(K)，然后进行融合及分类的步骤(230)。
7.如权利要求6所述的神经网络方法，其特征在于，所述用关键区域提取网络(PDPN)提取关键性参数的步骤(210)为：
计算车辆型号的概率：其中，Fc(·)表示将特征图映射为向量的一个全卷积操作，为提取出的特征描述子，Ap为操作中的参数，由训练得到，I为输入的特征图；
提取表示关键区域的关键性参数：其中，以输入的特征图I的左上角作为平面直角坐标系原点，x轴从左到右，y轴从上到下，sl为关键区域(K)的边长的一半，(cx,cy)为关键区域(K)的中心点，H(·)表示生成关键性参数的全连接层；
所述输入的特征图I为局部特征区域(L-SMCR)或得到的关键区域(K)的特征图。
8.如权利要求7所述的神经网络方法，其特征在于，所述关键区域(K)的定位和裁剪(220)的步骤为：
将输入的特征图I的左上角作为坐标系原点，记左上角的点为tl，右下角为br，cx(tl)＝cx-sl,cy(tl)＝cy-sl,cx(br)＝cx+sl,cy(br)＝cy+sl；
裁剪操作为：
Ip＝IΔ[l(x-cx(tl))-l(x-cx(br))]·[l(y-cy(tl))-l(y-cx(br))],
其中，l(x)为Logistic函数，取l(x)＝1/{1+exp-kx}，k为常数，Ip为裁剪得到关键区域(K)的图，Δ代表变量之间的乘法操作，I为输入的特征图，l(·)是选取关键区域的裁剪操作的功能函数。
9.如权利要求7或8所述的神经网络方法，其特征在于，所述融合及分类的步骤(230)为，将所有局部特征区域(L-SMCR)的不同尺度关键区域(K)的图像所得到的车辆类别概率与全局特征区域(G-SMCR)的特征通过隐藏层融合在一起，然后经过Softmax进行最后的分类。
10.一种精细化车辆识别的神经网络***，其特征在于，包括显著性区域特征提取网络(1)和迭代分类网络(2)，其中，所述显著性区域特征提取网络(1)用于对待识别的车辆图片进行特征区域的提取，并将提取结果输入到迭代分类网络(2)，在迭代分类网络(2)中进一步提取特征并进行多尺度融合分类，输出车辆的精细化识别结果。
CN201811578925.9A 2018-12-24 2018-12-24 一种精细化车辆识别的神经网络方法及*** Pending CN109978132A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811578925.9A CN109978132A (zh) 2018-12-24 2018-12-24 一种精细化车辆识别的神经网络方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811578925.9A CN109978132A (zh) 2018-12-24 2018-12-24 一种精细化车辆识别的神经网络方法及***

Publications (1)

Publication Number Publication Date
CN109978132A true CN109978132A (zh) 2019-07-05

Family

ID=67076268

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811578925.9A Pending CN109978132A (zh) 2018-12-24 2018-12-24 一种精细化车辆识别的神经网络方法及***

Country Status (1)

Country Link
CN (1) CN109978132A (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709906A (zh) * 2020-04-13 2020-09-25 北京深睿博联科技有限责任公司 医学图像的质量评估方法和装置
US11403069B2 (en) 2017-07-24 2022-08-02 Tesla, Inc. Accelerated mathematical engine
US11409692B2 (en) 2017-07-24 2022-08-09 Tesla, Inc. Vector computational unit
US11487288B2 (en) 2017-03-23 2022-11-01 Tesla, Inc. Data synthesis for autonomous control systems
US11537811B2 (en) 2018-12-04 2022-12-27 Tesla, Inc. Enhanced object detection for autonomous vehicles based on field view
US11561791B2 (en) 2018-02-01 2023-01-24 Tesla, Inc. Vector computational unit receiving data elements in parallel from a last row of a computational array
US11562231B2 (en) 2018-09-03 2023-01-24 Tesla, Inc. Neural networks for embedded devices
US11567514B2 (en) 2019-02-11 2023-01-31 Tesla, Inc. Autonomous and user controlled vehicle summon to a target
US11610117B2 (en) 2018-12-27 2023-03-21 Tesla, Inc. System and method for adapting a neural network model on a hardware platform
US11636333B2 (en) 2018-07-26 2023-04-25 Tesla, Inc. Optimizing neural network structures for embedded systems
US11665108B2 (en) 2018-10-25 2023-05-30 Tesla, Inc. QoS manager for system on a chip communications
US11681649B2 (en) 2017-07-24 2023-06-20 Tesla, Inc. Computational array microprocessor system using non-consecutive data formatting
US11734562B2 (en) 2018-06-20 2023-08-22 Tesla, Inc. Data pipeline and deep learning system for autonomous driving
US11748620B2 (en) 2019-02-01 2023-09-05 Tesla, Inc. Generating ground truth for machine learning from time series elements
US11790664B2 (en) 2019-02-19 2023-10-17 Tesla, Inc. Estimating object properties using visual image data
US11816585B2 (en) 2018-12-03 2023-11-14 Tesla, Inc. Machine learning models operating at different frequencies for autonomous vehicles
US11841434B2 (en) 2018-07-20 2023-12-12 Tesla, Inc. Annotation cross-labeling for autonomous control systems
US11893393B2 (en) 2017-07-24 2024-02-06 Tesla, Inc. Computational array microprocessor system with hardware arbiter managing memory requests
US11893774B2 (en) 2018-10-11 2024-02-06 Tesla, Inc. Systems and methods for training machine models with augmented data
US12014553B2 (en) 2019-02-01 2024-06-18 Tesla, Inc. Predicting three-dimensional features for autonomous driving

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101807257A (zh) * 2010-05-12 2010-08-18 上海交通大学 图像标签信息识别方法
CN103226696A (zh) * 2013-04-07 2013-07-31 布法罗机器人科技（苏州）有限公司 车牌的识别***及方法
CN104680795A (zh) * 2015-02-28 2015-06-03 武汉烽火众智数字技术有限责任公司 一种基于局部区域特征的车型识别方法和装置
CN108319907A (zh) * 2018-01-26 2018-07-24 腾讯科技（深圳）有限公司 一种车辆识别方法、装置和存储介质
CN108549926A (zh) * 2018-03-09 2018-09-18 中山大学 一种用于精细化识别车辆属性的深度神经网络及训练方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101807257A (zh) * 2010-05-12 2010-08-18 上海交通大学 图像标签信息识别方法
CN103226696A (zh) * 2013-04-07 2013-07-31 布法罗机器人科技（苏州）有限公司 车牌的识别***及方法
CN104680795A (zh) * 2015-02-28 2015-06-03 武汉烽火众智数字技术有限责任公司 一种基于局部区域特征的车型识别方法和装置
CN108319907A (zh) * 2018-01-26 2018-07-24 腾讯科技（深圳）有限公司 一种车辆识别方法、装置和存储介质
CN108549926A (zh) * 2018-03-09 2018-09-18 中山大学 一种用于精细化识别车辆属性的深度神经网络及训练方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YANLING TIAN，ET AL.: "Selective Multi-Convolutional Region Feature Extraction based Iterative Discrimination CNN for Fine-Grained Vehicle Model Recognition", 《2018 24TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR)》 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11487288B2 (en) 2017-03-23 2022-11-01 Tesla, Inc. Data synthesis for autonomous control systems
US12020476B2 (en) 2017-03-23 2024-06-25 Tesla, Inc. Data synthesis for autonomous control systems
US11681649B2 (en) 2017-07-24 2023-06-20 Tesla, Inc. Computational array microprocessor system using non-consecutive data formatting
US11403069B2 (en) 2017-07-24 2022-08-02 Tesla, Inc. Accelerated mathematical engine
US11409692B2 (en) 2017-07-24 2022-08-09 Tesla, Inc. Vector computational unit
US11893393B2 (en) 2017-07-24 2024-02-06 Tesla, Inc. Computational array microprocessor system with hardware arbiter managing memory requests
US11561791B2 (en) 2018-02-01 2023-01-24 Tesla, Inc. Vector computational unit receiving data elements in parallel from a last row of a computational array
US11797304B2 (en) 2018-02-01 2023-10-24 Tesla, Inc. Instruction set architecture for a vector computational unit
US11734562B2 (en) 2018-06-20 2023-08-22 Tesla, Inc. Data pipeline and deep learning system for autonomous driving
US11841434B2 (en) 2018-07-20 2023-12-12 Tesla, Inc. Annotation cross-labeling for autonomous control systems
US11636333B2 (en) 2018-07-26 2023-04-25 Tesla, Inc. Optimizing neural network structures for embedded systems
US11983630B2 (en) 2018-09-03 2024-05-14 Tesla, Inc. Neural networks for embedded devices
US11562231B2 (en) 2018-09-03 2023-01-24 Tesla, Inc. Neural networks for embedded devices
US11893774B2 (en) 2018-10-11 2024-02-06 Tesla, Inc. Systems and methods for training machine models with augmented data
US11665108B2 (en) 2018-10-25 2023-05-30 Tesla, Inc. QoS manager for system on a chip communications
US11816585B2 (en) 2018-12-03 2023-11-14 Tesla, Inc. Machine learning models operating at different frequencies for autonomous vehicles
US11537811B2 (en) 2018-12-04 2022-12-27 Tesla, Inc. Enhanced object detection for autonomous vehicles based on field view
US11908171B2 (en) 2018-12-04 2024-02-20 Tesla, Inc. Enhanced object detection for autonomous vehicles based on field view
US11610117B2 (en) 2018-12-27 2023-03-21 Tesla, Inc. System and method for adapting a neural network model on a hardware platform
US11748620B2 (en) 2019-02-01 2023-09-05 Tesla, Inc. Generating ground truth for machine learning from time series elements
US12014553B2 (en) 2019-02-01 2024-06-18 Tesla, Inc. Predicting three-dimensional features for autonomous driving
US11567514B2 (en) 2019-02-11 2023-01-31 Tesla, Inc. Autonomous and user controlled vehicle summon to a target
US11790664B2 (en) 2019-02-19 2023-10-17 Tesla, Inc. Estimating object properties using visual image data
CN111709906A (zh) * 2020-04-13 2020-09-25 北京深睿博联科技有限责任公司 医学图像的质量评估方法和装置

Similar Documents

Publication Publication Date Title
CN109978132A (zh) 一种精细化车辆识别的神经网络方法及***
CN107564025B (zh) 一种基于深度神经网络的电力设备红外图像语义分割方法
CN108830188B (zh) 基于深度学习的车辆检测方法
CN106778835B (zh) 融合场景信息和深度特征的遥感图像机场目标识别方法
CN107657279B (zh) 一种基于少量样本的遥感目标检测方法
CN103077389B (zh) 一种结合字符级分类和字符串级分类的文本检测和识别方法
CN106845487A (zh) 一种端到端的车牌识别方法
CN109086792A (zh) 基于检测和识别网络架构的细粒度图像分类方法
CN108090429B (zh) 一种分级前脸卡口车型识别方法
CN107862261A (zh) 基于多尺度卷积神经网络的图像人群计数方法
CN108038846A (zh) 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及***
CN107368787A (zh) 一种面向深度智驾应用的交通标志识别算法
CN110119726B (zh) 一种基于YOLOv3模型的车辆品牌多角度识别方法
CN105354565A (zh) 基于全卷积网络人脸五官定位与判别的方法及***
CN110222767B (zh) 基于嵌套神经网络和栅格地图的三维点云分类方法
CN108280460B (zh) 基于改进卷积神经网络的sar车辆目标识别方法
CN109086803B (zh) 一种基于深度学习与个性化因子的雾霾能见度检测***及方法
CN106650731A (zh) 一种鲁棒的车牌、车标识别方法
CN106897681A (zh) 一种遥感图像对比分析方法及***
CN111401145B (zh) 一种基于深度学习与ds证据理论的可见光虹膜识别方法
CN104598885A (zh) 街景图像中的文字标牌检测与定位方法
CN105760891A (zh) 一种中文字符验证码的识别方法
CN108960074B (zh) 基于深度学习的小尺寸行人目标检测方法
CN111753787A (zh) 一种分离式的交通标志检测与识别方法
CN105989334A (zh) 基于单目视觉的道路检测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190705

RJ01 Rejection of invention patent application after publication