CN110991349A - 一种基于度量学习的轻量级车辆属性识别方法 - Google Patents
一种基于度量学习的轻量级车辆属性识别方法 Download PDFInfo
- Publication number
- CN110991349A CN110991349A CN201911234612.6A CN201911234612A CN110991349A CN 110991349 A CN110991349 A CN 110991349A CN 201911234612 A CN201911234612 A CN 201911234612A CN 110991349 A CN110991349 A CN 110991349A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- loss function
- vehicle attribute
- sample
- lightweight
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于度量学习的轻量级车辆属性识别方法,包括:根据多角度的车辆样本图像,训练轻量级卷积神经网络,获取车辆属性识别模型;获取车辆图像,并输入所述车辆属性识别模型获取车辆属性;其中所述车辆属性包括车辆的车型、颜色、品牌信息;本发明提供的车辆属性识别方法可在获取到待识别的车辆图像后,利用轻量级卷积神经网络直接提取深度特征,只用一个神经网络就能实现车型、颜色、以及品牌等多种车辆属性的快速、准确识别。
Description
技术领域
本发明涉及车辆识别领域,尤其涉及一种基于度量学习的轻量级车辆属性识别方法。
背景技术
随着国民经济的迅速发展,车辆数量增长给交通监管带来了巨大挑战,智能交通安防***被认为是缓解交通压力的一种最为有效的解决方案。车辆属性识别是智能交通安防领域的一项重要技术,针对海量监控数据中的车辆实现属性识别,有助于人们完成监控数据的智能分析,提高计算机对目标车辆的理解,进一步推动智能交通的发展。
车辆属性主要包括车型、颜色、品牌等,传统的车辆识别问题过程为,将输入的原始图片像素值转化为手工特征,如尺度不变(SIFT,Scale-invariant feature transform)特征、方向梯度直方图(HOG,Histogram of Oriented Gradient)特征等,然后将这些变换得到的特征放入分类器(如SVM)中进行分类,最终得到物体的识别结果。传统算法主要基于人工定义的特征进行分类,识别准确率较低。随着人工智能技术的发展,深度学习以其创新性的网络结构与高精度的准确率受到了大多数公司的热捧,并在安防、安保、金融、游戏等各种领域有着广泛的应用,但是这类方法在实际应用中,网络模型计算复杂度较大,网络结构复杂,识别速度较慢。并且,不同品牌车辆在同一角度来看,外形可能极为相似;而同一品牌车辆的不同角度,外形却相差很大,给车辆品牌识别带来挑战。因此,找到一种高精度、速度快的识别方法成为了当务之急。
发明内容
鉴于以上现有技术存在的问题,本发明提出一种基于度量学习的轻量级车辆属性识别方法,主要解决车辆属性识别网络复杂度高,识别速度慢以及识别率较低的问题。
为了实现上述目的及其他目的,本发明采用的技术方案如下。
一种基于度量学习的轻量级车辆属性识别方法,包括:
根据多角度的车辆样本图像,训练轻量级卷积神经网络,获取车辆属性识别模型;
获取车辆图像,并输入所述车辆属性识别模型获取车辆属性;其中所述车辆属性包括车辆的车型、颜色、品牌信息。
可选地,所述轻量级卷积神经网络包括MobileNet V2。
可选地,将经过标注的所述样本图像输入所述轻量级卷积神经网络的卷积层进行特征提取,获取共享特征;
对所述共享特征进行过滤,获取车辆属性特征,对所述车辆属性特征进行分类训练获取所述车辆属性识别模型。
可选地,通过设置特征迁移层连接所述轻量级卷积神经网络的卷积层和全连接层对所述共享特征进行过滤。
可选地,分别构造多角度损失函数和交叉熵损失函数对所述全连接层输出的所述车辆属性特征进行处理,加权统计所述多角度损失函数和所述交叉熵损失函数获取综合损失函数进行所述车辆属性识别模型的训练。
可选地,根据所述综合损失函数采用反向传播算法逐层向前进行梯度回传,训练所述轻量级卷积神经网络的参数,获取所述车辆属性识别模型。
可选地,从所述样本图像中选出一个样本作为参考样本;
分别选出一个与所述参考样本属于同一类的同类样本和不同类的异类样本构成一个三元组;
将参考样本与同类样本构成正样本对,参考样本与异类样本构成负样本对;
根据相同角度正样本对与负样本对的相似度,创建第一损失函数;根据不同角度正样本对与负样本对的相似度,创建第二损失函数;根据相同角度负样本对与不同角度正样本对的相似度,创建第三损失函数;
根据所述第一损失函数、所述第二损失函数和所述第三损失函数,获取所述多所述多角度损失函数。
针对所述第一损失函数、所述第二损失函数和所述第三损失函数,调整各样本对之间距离间隔的阈值参数,获取最佳距离间隔参数。
可选地,所述轻量级卷积神经网络包括32个滤波器的初始卷积层和19个残差瓶颈层。
可选地,在进行所述特征提取之前对样本图像进行标准化处理,获取统一大小及灰度范围的图像输入神经网络。
可选地,根据权利要求3所述的基于度量学习的轻量级车辆属性识别方法,其特征在于,采用ReLU6作为所述卷积层的非线性激活函数,卷积核大小为3X3。如上所述,本发明一种基于度量学习的轻量级车辆属性识别方法,具有以下有益效果。
通过融合度量学习和轻量级卷积神经网络,可有效提高车辆属性识别准确率,并提高识别速度。
附图说明
图1为本发明一实施例中基于度量学习的轻量级车辆属性识别方法的流程图。
图2为本发明另一实施例中基于度量学习的轻量级车辆属性识别方法的流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
请参阅图1,本发明提供一种基于度量学习的轻量级车辆属性识别方法,包括步骤S01-S02。
在步骤S01中,根据多角度的车辆样本图像,训练轻量级卷积神经网络,获取车辆属性识别模型:
在获取车辆特征之前,可收集整理多角度的车辆图像作为模型训练的车辆样本图像。对车辆样本图像进行标准化处理后输入神经网络中进行特征提取。标准化处理可采用图像裁剪的方式将样本图像裁剪成设定大小的图像块,如224x224大小的图像块,再对裁剪后的图像进行灰度处理。以RGB图像为例,可将RGB图像中每个像素减去对应颜色通道的灰度均值。
在一实施例中,神经网络可采用MobileNet V2网络作为主干网络进行特征提取。MobileNet V2是一种轻量级网络,主要使用了深度可分离卷积(depth-wise convolution)和点卷积(point-wise convolution)技术。其中,深度可分离卷积用于特征提取,它的一个卷积核负责一个通道,一个通道只被一个卷积核所卷积。然而,深度可分离卷积后的特征图个数无法改变,因此使用点卷积来实现特征图的增加和减少。另外,卷积层用来提取车辆特征,池化层主要对输入的信息进行降采样。
在MobileNet V2网络最后一个卷积层前设置特征迁移层,特征迁移层根据车辆属性对车辆特征进行过滤。可设置多个特征迁移层,每个特征迁移层由卷积核为1*1的卷积层组成,输出通道数等于输入通道数,不同位置之间不相互影响,也不会对原特征图下采样,保持了原有的特征维度。其中车辆属性可以包括车型、颜色、品牌等。
车辆特征经过特征迁移层过滤后,通过MobileNet V2网络的最后一个卷积层输入到每个车辆属性对应的识别分支。以车型识别、颜色识别、品牌识别这三个属性识别分支为例,可分别在多个特征迁移层后接入一个全连接层,全连接神经元的个数是该车辆属性的类别数目。多个全连接层,对应各属性识别分支,连接于特征迁移层,以得到对应各属性识别分支的特征向量。
在一实施例中,采用轻量级卷积神经神经网络MobileNet V2作为主干网络提取所述车辆图像特征;轻量级卷积神经网络包括32个滤波器的初始完全卷积层,19个残差瓶颈层。每一层特征图通过卷积核连接到上一层特征图的局部区域,每一层的特征图通过卷积运算,再通过加权和激活函数得到。采用ReLU6作为非线性激活函数,因为它在使用低精度计算时具有较强的鲁棒性。使用的卷积核大小为3×3,并在训练期间使用dropout和批量归一化。
在一实施例中,可采用triplet结构的深度神经网络输入为三元组,该三元组由三个样本构成:一个是从训练样本中随机选一个样本作为参考样本,然后再随机选取一个和参考样本属于同一类别的样本和不同类别的样本,这两个样本分别构成参考样本的同类样本和异类样本。三个样本构成一个三元组,然后通过损失函数来训练整个网络。
不同车辆在同一角度来看,外形可能极为相似;而同一车辆的不同角度,外形却相差很大。因此,对于车型识别、颜色识别、品牌识别这三个属性识别任务,分别在每个分支子网络后面跟随一个所述多角度triplet综合损失和所述交叉熵损失。
在一实施例中,通过所述同类样本和所述异类样本的空间度量关系创建所述多角度triplet综合损失;其中空间度量可采用欧式距离、余弦距离等方式进行计算。
以欧式距离计算相似度为例,定义s为相似角度,d为不同角度,||·||2表示求欧式距离,Ps +表示相同角度的正样本对,表示不同角度的正样本对,Ps -表示相同角度的负样本对,表示不同角度的负样本对;fs和fd分别表示相同角度和不同角度的特征空间值;β为设定的阈值,这里可表示为样本对之间的距离间隔。
具体地,多角度triplet函数由如下三项损失构成:
Ltriplet=Ls+Ld+Ljoint
其中,Ls表示相同角度下创建的第一损失函数,Ld表示不同角度下创建的第二损失函数,Ljoint表示相同角度和不同角度条件下创建的第三损失函数。
定义Ds(P)=||fs(xi)-fs(xj)||2,具体地,Ls的表达形式如下:
Ls=max{Ds(Ps +)-Ds(Ps -)+β,0}
通过上述约束,将使得Ds(Ps -)大于Ds(Ps +),即相同角度的异类样本之间相互远离,同类样本之间相互靠近,并且要让Ds(Ps -)与Ds(Ps +)之间有一个最小间隔β。最小间隔可根据实际情况进行调节。
定义Dd(P)=||fd(xi)-fd(xj)||2,具体地,Ld的表达形式如下:
Ld=max{Dd(Pd +)-Dd(Pd -)+β,0}
现有技术中,Ls和Ld损失都是在各自单独的角度特征空间进行计算,忽略了多角度特征空间的相互联系。因此,通过多角度损失计算对损失作进一步约束,具体第三损失函数Ljoint的表示形式如下:
Ljoint=max{Dd(Pd +)-Ds(Ps -)+β,0}
综上,通过Ls和Ld这两种triplet损失约束,使得在各自角度的特征空间内,同类样本之间相互靠近,异类样本之间互相远离。同时,Ljoint使得在不同角度的特征空间内,同类样本之间相互靠近,异类样本之间互相远离。通过对三个损失函数进行统计分析,创建多角度triplet综合损失函数。
具体地,对于车型识别、颜色识别、品牌识别这三个属性识别任务,同时在最后的全连接层后面跟随一个softmax交叉熵作为统计损失函数。假设z是输入计算损失的概率向量,f(z)是softmax的输出,则:
假设y是z对应样本的真是类别,其统计损失函数定义为:
Lsoftmax=-logf(zy)
融合所述多角度triplet综合损失和所述交叉熵损失作为车辆属性识别的损失函数,设置所述多角度triplet综合损失函数的权重,通过所述多角度triplet综合损失函数和所述统计损失函数进行加权统计,获取所述车辆属性分类模型的损失函数。
车辆属性分类模型的损失函数可表示为:
L=αLtriplet+(1-α)Lsoftmax
其中,α为控制两种损失函数分别的权重参数,α越大,即多角度triplet综合损失函数所占比重越大。
将所述多角度triplet综合损失和所述交叉熵损失同时使用于模型训练过程,让神经网络中各子网络学习到对应的独立特征,使最终的融合特征更加丰富。在测试阶段仅通过所述交叉熵损失进行测试识别。
在一实施例中,可对车辆属性分类模型的损失函数采用随机梯度下降法求导,获取深度神经网络对应的网络参数梯度,进而通过网络参数梯度更新深度神经网络参数,调节参数直至深度神经网络收敛于稳定状态,获取最终的车辆属性识别模型。
在步骤S02中,获取车辆图像,并输入车辆属性识别模型获取车辆属性;
将待测试的多个角度的车辆图像输入训练好的车辆属性识别模型,识别车辆属性对应的特征,输出车辆属性,包括车辆的车型、颜色、品牌等信息。
请参阅图2,具体地,可包括以下步骤:
输入车辆图像001;进行图像预处理002,得到标准化大小及灰度的车辆图像;
基于Mobilenet V2的车辆特征提取003,以Mobilenet V2为主干网,对标准化的车辆图像进行特征提取;
基于多角度损失函数和交叉熵损失函数的多任务属性识别004,通过两种损失函数的权值统计,分别对车辆图像中各车辆属性进行识别;
输出车辆属性,包括车型、颜色和品牌等005。
综上所述,本发明一种基于度量学习的轻量级车辆属性识别方法,充分考虑不同角度车辆图像特征的关联性,通过两个损失函数的训练学习,可有效提高识别的准确性;采用轻量级神经网络,减少识别过程的计算量,提高识别效率;同时针对多种车辆属性进行识别,采用特征共享及特征迁移的方式,可有效节省计算,提高识别效率。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种基于度量学习的轻量级车辆属性识别方法,其特征在于,包括:
根据多角度的车辆样本图像,训练轻量级卷积神经网络,获取车辆属性识别模型;
获取车辆图像,并输入所述车辆属性识别模型获取车辆属性;其中所述车辆属性包括车辆的车型、颜色、品牌信息。
2.根据权利要求1所述的基于度量学习的轻量级车辆属性识别方法,其特征在于,所述轻量级卷积神经网络包括MobileNet V2。
3.根据权利要求1所述的基于度量学习的轻量级车辆属性识别方法,其特征在于,将经过标注的所述样本图像输入所述轻量级卷积神经网络的卷积层进行特征提取,获取共享特征;
对所述共享特征进行过滤,获取车辆属性特征,对所述车辆属性特征进行分类训练获取所述车辆属性识别模型。
4.根据权利要求3所述的基于度量学习的轻量级车辆属性识别方法,其特征在于,通过设置特征迁移层连接所述轻量级卷积神经网络的卷积层和全连接层对所述共享特征进行过滤。
5.根据权利要求4所述的基于度量学习的轻量级车辆属性识别方法,其特征在于,分别构造多角度损失函数和交叉熵损失函数对所述全连接层输出的所述车辆属性特征进行处理,加权统计所述多角度损失函数和所述交叉熵损失函数获取综合损失函数进行所述车辆属性识别模型的训练。
6.根据权利要求5所述的基于度量学习的轻量级车辆属性识别方法,其特征在于,根据所述综合损失函数采用反向传播算法逐层向前进行梯度回传,训练所述轻量级卷积神经网络的参数,获取所述车辆属性识别模型。
7.根据权利要求5所述的基于度量学习的轻量级车辆属性识别方法,其特征在于,
从所述样本图像中选出一个样本作为参考样本;
分别选出一个与所述参考样本属于同一类的同类样本和不同类的异类样本构成一个三元组;
将参考样本与同类样本构成正样本对,参考样本与异类样本构成负样本对;
根据相同角度正样本对与负样本对的相似度,创建第一损失函数;根据不同角度正样本对与负样本对的相似度,创建第二损失函数;根据相同角度负样本对与不同角度正样本对的相似度,创建第三损失函数;
根据所述第一损失函数、所述第二损失函数和所述第三损失函数,获取所述多所述多角度损失函数。
针对所述第一损失函数、所述第二损失函数和所述第三损失函数,调整各样本对之间距离间隔的阈值参数,获取最佳距离间隔参数。
8.根据权利要求2所述的基于度量学习的轻量级车辆属性识别方法,其特征在于,
所述轻量级卷积神经网络包括32个滤波器的初始卷积层和19个残差瓶颈层。
9.根据权利要求3所述的基于度量学习的轻量级车辆属性识别方法,其特征在于,
在进行所述特征提取之前对样本图像进行标准化处理,获取统一大小及灰度范围的图像输入神经网络。
10.根据权利要求3所述的基于度量学习的轻量级车辆属性识别方法,其特征在于,采用ReLU6作为所述卷积层的非线性激活函数,卷积核大小为3X3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911234612.6A CN110991349B (zh) | 2019-12-05 | 2019-12-05 | 一种基于度量学习的轻量级车辆属性识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911234612.6A CN110991349B (zh) | 2019-12-05 | 2019-12-05 | 一种基于度量学习的轻量级车辆属性识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110991349A true CN110991349A (zh) | 2020-04-10 |
CN110991349B CN110991349B (zh) | 2023-02-10 |
Family
ID=70090386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911234612.6A Active CN110991349B (zh) | 2019-12-05 | 2019-12-05 | 一种基于度量学习的轻量级车辆属性识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991349B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814584A (zh) * | 2020-06-18 | 2020-10-23 | 北京交通大学 | 基于多中心度量损失的多视角环境下车辆重识别方法 |
CN111931668A (zh) * | 2020-08-14 | 2020-11-13 | 中国科学院重庆绿色智能技术研究院 | 一种基于自适应卷积神经网络的目标属性识别方法及*** |
CN111931768A (zh) * | 2020-08-14 | 2020-11-13 | 中国科学院重庆绿色智能技术研究院 | 一种自适应样本分布的车辆识别方法及*** |
CN112016490A (zh) * | 2020-08-28 | 2020-12-01 | 中国科学院重庆绿色智能技术研究院 | 基于生成对抗学习的行人属性识别方法 |
CN112329785A (zh) * | 2020-11-25 | 2021-02-05 | Oppo广东移动通信有限公司 | 图像管理方法、装置、终端及存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140098989A1 (en) * | 2012-10-05 | 2014-04-10 | International Business Machines Corporation | Multi-cue object association |
CN105654066A (zh) * | 2016-02-02 | 2016-06-08 | 北京格灵深瞳信息技术有限公司 | 一种车辆识别方法及装置 |
CN106599869A (zh) * | 2016-12-22 | 2017-04-26 | 安徽大学 | 一种基于多任务卷积神经网络的车辆属性识别方法 |
CN106682649A (zh) * | 2017-01-24 | 2017-05-17 | 成都容豪电子信息科技有限公司 | 一种基于深度学习的车型识别方法 |
CN107886073A (zh) * | 2017-11-10 | 2018-04-06 | 重庆邮电大学 | 一种基于卷积神经网络的细粒度车辆多属性识别方法 |
CN108492575A (zh) * | 2018-04-11 | 2018-09-04 | 济南浪潮高新科技投资发展有限公司 | 一种智能车辆型号识别方法 |
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 |
CN109359684A (zh) * | 2018-10-17 | 2019-02-19 | 苏州大学 | 基于弱监督定位和子类别相似性度量的细粒度车型识别方法 |
CN109815799A (zh) * | 2018-12-18 | 2019-05-28 | 南京理工大学 | 一种基于ssd的快速航拍车辆检测算法 |
CN110147709A (zh) * | 2018-11-02 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 车辆属性模型的训练方法、装置、终端及存储介质 |
CN110309770A (zh) * | 2019-06-28 | 2019-10-08 | 华侨大学 | 一种基于四元组损失度量学习的车辆再辨识方法 |
CN110334572A (zh) * | 2019-04-04 | 2019-10-15 | 南京航空航天大学 | 一种多角度下车型精细识别方法 |
CN110399828A (zh) * | 2019-07-23 | 2019-11-01 | 吉林大学 | 一种基于多角度的深度卷积神经网络的车辆再识别方法 |
CN110414578A (zh) * | 2019-07-16 | 2019-11-05 | 上海电机学院 | 一种基于动态多批次训练和色域转化的迁移学习方法 |
-
2019
- 2019-12-05 CN CN201911234612.6A patent/CN110991349B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140098989A1 (en) * | 2012-10-05 | 2014-04-10 | International Business Machines Corporation | Multi-cue object association |
CN105654066A (zh) * | 2016-02-02 | 2016-06-08 | 北京格灵深瞳信息技术有限公司 | 一种车辆识别方法及装置 |
CN106599869A (zh) * | 2016-12-22 | 2017-04-26 | 安徽大学 | 一种基于多任务卷积神经网络的车辆属性识别方法 |
CN106682649A (zh) * | 2017-01-24 | 2017-05-17 | 成都容豪电子信息科技有限公司 | 一种基于深度学习的车型识别方法 |
CN107886073A (zh) * | 2017-11-10 | 2018-04-06 | 重庆邮电大学 | 一种基于卷积神经网络的细粒度车辆多属性识别方法 |
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 |
CN108492575A (zh) * | 2018-04-11 | 2018-09-04 | 济南浪潮高新科技投资发展有限公司 | 一种智能车辆型号识别方法 |
CN109359684A (zh) * | 2018-10-17 | 2019-02-19 | 苏州大学 | 基于弱监督定位和子类别相似性度量的细粒度车型识别方法 |
CN110147709A (zh) * | 2018-11-02 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 车辆属性模型的训练方法、装置、终端及存储介质 |
CN109815799A (zh) * | 2018-12-18 | 2019-05-28 | 南京理工大学 | 一种基于ssd的快速航拍车辆检测算法 |
CN110334572A (zh) * | 2019-04-04 | 2019-10-15 | 南京航空航天大学 | 一种多角度下车型精细识别方法 |
CN110309770A (zh) * | 2019-06-28 | 2019-10-08 | 华侨大学 | 一种基于四元组损失度量学习的车辆再辨识方法 |
CN110414578A (zh) * | 2019-07-16 | 2019-11-05 | 上海电机学院 | 一种基于动态多批次训练和色域转化的迁移学习方法 |
CN110399828A (zh) * | 2019-07-23 | 2019-11-01 | 吉林大学 | 一种基于多角度的深度卷积神经网络的车辆再识别方法 |
Non-Patent Citations (4)
Title |
---|
CALVINPAEAN: "MobileNetV2 论文学习", 《HTTPS://BLOG.CSDN.NET/CALVINPAEAN/ARTICLE/DETAILS/83994206》 * |
MARK SANDLER 等: "MobileNetV2: Inverted Residuals and Linear Bottlenecks", 《COMPUTER VISION AND PATTERN RECOGNITION》 * |
林唯贤: "嵌入式设备高效卷积神经网络的电力设备检测", 《计算机***应用》 * |
王耀玮 等: "基于多任务卷积神经网络的车辆多属性识别", 《计算机工程与应用》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814584A (zh) * | 2020-06-18 | 2020-10-23 | 北京交通大学 | 基于多中心度量损失的多视角环境下车辆重识别方法 |
CN111814584B (zh) * | 2020-06-18 | 2024-03-12 | 北京交通大学 | 基于多中心度量损失的多视角环境下车辆重识别方法 |
CN111931668A (zh) * | 2020-08-14 | 2020-11-13 | 中国科学院重庆绿色智能技术研究院 | 一种基于自适应卷积神经网络的目标属性识别方法及*** |
CN111931768A (zh) * | 2020-08-14 | 2020-11-13 | 中国科学院重庆绿色智能技术研究院 | 一种自适应样本分布的车辆识别方法及*** |
CN112016490A (zh) * | 2020-08-28 | 2020-12-01 | 中国科学院重庆绿色智能技术研究院 | 基于生成对抗学习的行人属性识别方法 |
CN112329785A (zh) * | 2020-11-25 | 2021-02-05 | Oppo广东移动通信有限公司 | 图像管理方法、装置、终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110991349B (zh) | 2023-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991349B (zh) | 一种基于度量学习的轻量级车辆属性识别方法 | |
CN108182441B (zh) | 平行多通道卷积神经网络、构建方法及图像特征提取方法 | |
CN107066559B (zh) | 一种基于深度学习的三维模型检索方法 | |
CN106919920B (zh) | 基于卷积特征和空间视觉词袋模型的场景识别方法 | |
CN108717524B (zh) | 一种基于双摄手机和人工智能***的手势识别*** | |
CN112633350B (zh) | 一种基于图卷积的多尺度点云分类实现方法 | |
CN111476266B (zh) | 一种基于迁移学***衡类别白细胞分类方法 | |
CN112101175A (zh) | 基于局部图像的高速公路车辆检测及多属性特征提取方法 | |
CN110175615B (zh) | 模型训练方法、域自适应的视觉位置识别方法及装置 | |
CN110728179A (zh) | 一种采用多路卷积神经网络的猪脸识别方法 | |
CN112801015B (zh) | 一种基于注意力机制的多模态人脸识别方法 | |
CN110222718B (zh) | 图像处理的方法及装置 | |
CN110633708A (zh) | 一种基于全局模型和局部优化的深度网络显著性检测方法 | |
CN110728694B (zh) | 一种基于持续学习的长时视觉目标跟踪方法 | |
CN110532946B (zh) | 一种基于卷积神经网络识别绿通车车辆轴型的方法 | |
CN113780132B (zh) | 一种基于卷积神经网络的车道线检测方法 | |
CN110032925A (zh) | 一种基于改进胶囊网络与算法的手势图像分割与识别方法 | |
CN108647700A (zh) | 基于深度学习的多任务车辆部件识别模型、方法和*** | |
CN113011253B (zh) | 基于ResNeXt网络的人脸表情识别方法、装置、设备及存储介质 | |
CN113420794B (zh) | 一种基于深度学习的二值化Faster R-CNN柑橘病虫害识别方法 | |
CN112132145A (zh) | 一种基于模型扩展卷积神经网络的图像分类方法及*** | |
CN110046544A (zh) | 基于卷积神经网络的数字手势识别方法 | |
CN114463812B (zh) | 基于双通道多分支融合特征蒸馏的低分辨率人脸识别方法 | |
CN115049814B (zh) | 采用神经网络模型的护眼灯智能调节方法 | |
CN112633257A (zh) | 基于改良卷积神经网络的马铃薯病害识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |