CN111931768A - 一种自适应样本分布的车辆识别方法及*** - Google Patents
一种自适应样本分布的车辆识别方法及*** Download PDFInfo
- Publication number
- CN111931768A CN111931768A CN202010818832.XA CN202010818832A CN111931768A CN 111931768 A CN111931768 A CN 111931768A CN 202010818832 A CN202010818832 A CN 202010818832A CN 111931768 A CN111931768 A CN 111931768A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- identification
- image
- sampling
- network
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000005070 sampling Methods 0.000 claims abstract description 52
- 230000003044 adaptive effect Effects 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 17
- 238000013508 migration Methods 0.000 claims description 12
- 230000005012 migration Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出一种自适应样本分布的车辆识别方法及***,包括:获取包含多种车型类别的车辆图像,并根据不同车型类别对应的车辆数量设置采样概率对所述车辆图像进行采样,获取采样图像;分别采用预训练的不同分支网络对所述车辆图像和所述采样图像进行分类识别,并将二者识别结果进行加权处理,获取车辆识别结果;本发明可有效提高整体车型识别的准确率。
Description
技术领域
本发明涉及智慧交通领域,尤其涉及一种自适应样本分布的车辆识别方法及***。
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,智慧交通安防***被认为是缓解交通压力的一种最为有效的解决方案。而车辆识别技术是智慧交通安防领域的一个重要分支,在众多领域有着广泛的应用前景,如规范交通流量、卡口***、停车场收费管理以及打击盗窃车辆等。车辆识别技术有助于人们完成交通监控数据的智能分析,进一步推动智慧交通的发展。
车型识别属于车辆识别中的精细识别问题,然而在真实交通情况下,车型类别间的数量分布不均衡,如轿车很多,摩托车和货车相对较少。类别与类别之间的样本数量分布存在极大差异,呈现出长尾分布模式,即少量类别(头部类别)具有大量数据,而大部分类别(尾部类别)仅有少量样本,这就是长尾分布识别问题。当处理这样的视觉数据时,深度学***衡问题,使得分类器训练难以得到很好的识别效果。因此,找到一种高精度,适用于长尾分布车辆数据的的车型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,本发明提出一种自适应样本分布的车辆识别方法及***,主要解决针对长尾分布的数据识别率低的问题。
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。
一种自适应样本分布的车辆识别方法,包括:
获取包含多种车型类别的车辆图像,并根据不同车型类别对应的车辆数量设置采样概率对所述车辆图像进行采样,获取采样图像;
分别采用预训练的不同分支网络对所述车辆图像和所述采样图像进行分类识别,并将二者识别结果进行加权处理,获取车辆识别结果。
可选地,获取所述车辆识别结果的过程还包括:
获取所述车辆图像的特征作为第一特征,并对所述第一特征进行分类识别,获取第一分类结果;
获取所述采样图像的特征作为第二特征,并根据所述第一特征和第二特征进行特征筛选,获取采样车辆类型对应车辆的专用特征,并对所述专用特征进行分类识别,获取第二分类结果;
将所述第一分类结果和所述第二分类结果进行加权处理,获取车辆识别结果。
可选地,根据所述每一车辆类型对应的车辆数量在所述车辆图像中车辆总数的占比设置所述采样概率;其中,所述采样概率与所述占比呈反比。
可选地,设用于识别所述车辆图像的分支网络为第一识别网络,用于识别所述采样图像的分支网络为第二识别网络,则所述第一识别网络包括特征层和分类器层;所述第二识别网络包括特征层、分类器层和用于进行特征筛选的特征迁移层;所述特征迁移层分别连接所述第一识别网络的特征层和所述第二识别网络的特征层的输出。
可选地,所述第一识别网络的特征层采用MobileNet-V2网络结构;所述分类器层至少包括两层全连接层,且最后一层全连接层中神经元的数量与车型类别数量相等;所述MobileNet-V2网络结构的最后一层卷积层将提取的特征输入所述分类器层进行分类识别。
可选地,所述特征迁移层由卷积核为1*1的卷积层组成。
可选地,设置自适应参数获取不同分支网络识别结果的权重,根据所述权重进行加权处理。
可选地,在训练所述分支网络时,根据分支网络的当前更新迭代次数与总迭代次数的比值设置所述自适应参数;
在完成训练后,设置所述自适应参数为一预设的固定值。
一种自适应样本分布的车辆识别***,包括:
反向采样模块,用于获取包含多种车型类别的车辆图像,并根据不同车型类别对应的车辆数量设置采样概率对所述车辆图像进行采样,获取采样图像;
识别模块,用于分别采用预训练的不同分支网络对所述车辆图像和所述采样图像进行分类识别,并将二者识别结果进行加权处理,获取车辆识别结果。
可选地,所述识别模块包括第一识别单元和第二识别单元;所述第一识别单元获取所述车辆图像的特征作为第一特征,并对所述第一特征进行分类识别,获取第一分类结果;
所述第二识别单元获取所述采样图像的特征作为第二特征,并根据所述第一特征和第二特征进行特征筛选,获取采样车辆类型对应车辆的专用特征,并对所述专用特征进行分类识别,获取第二分类结果;
将所述第一分类结果和所述第二分类结果进行加权处理,获取车辆识别结果。
如上所述,本发明一种自适应样本分布的车辆识别方法及***,具有以下有益效果。
通过车辆图像和采样图像通过不同的分支网络进行分类识别,并将结果进行加权处理,可有效提高整体车型识别的准确率。
附图说明
图1为本发明一实施例中自适应样本分布的车辆识别方法的流程图。
图2为本发明一实施例中自适应样本分布的车辆识别***的模块图。
图3为本发明一实施例中分支网络训练的流程示意图。
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,本发明提供一种自适应样本分布的车辆识别方法,包括步骤S01-S02。
在步骤S01中,获取包含多种车型类别的车辆图像,并根据不同车型类别对应的车辆数量设置采样概率对所述车辆图像进行采样,获取采样图像:
在一实施例中,可通过城市道路中安装的摄像装置获取路面实时车流对应的车辆图像。
在一实施例中,可对采集的车辆图像进行预处理,如可将车辆图像裁剪成预设大小图像(224x224等),再减去每个颜色通道的灰度均值,得到归一化后的标准车辆图像。
由于实时车流中车型类别的分布通常呈现长尾分布,即某一种车型对应的车辆较多,而其他车型相对较少,分布差异大。进一步地,可对车辆图像进行反向采样,增加长尾分布中尾部数据的采样概率,减少头部数据的采样概率,使得识别重点放在尾部数据。具体地,在进行反向采样时,每个车型类别的采样概率与该车型类别在车辆图像包含的所有车型类别中的占比呈反比。即一个类别的车辆数越少,该类别被采样的概率越高。
假设一共有C个类别,类别i的车辆数为Ni,所有车型类别对应的车辆总数为N,那么反向采样步骤为:
(1)计算类别i的采样概率pi
(2)根据采样概率pi,随机采样一个类
(3)重复操作,直到所有类均被采样,得到采样图像。
在步骤S02中,分别采用预训练的不同分支网络对所述车辆图像和所述采样图像进行分类识别,并将二者识别结果进行加权处理,获取车辆识别结果:
请参阅图3,在一实施例中,在进行分支网络训练时,可根据步骤S01的方法获取车辆图像和采样图像分别构建车辆图像训练样本集和采样图像训练样本集。
在一实施例中,分支网络包括第一识别网络(即常规学***衡学习网络分支),通过第一识别网络对车辆图像进行分类识别,通过第二识别网络对采样图像进行分类识别。其中,第一识别网络可包括特征层和分类器层。将经过预处理的车辆图像训练样本输入第一识别网络的特征层进行特征提取。特征层可采用MobileNet-V2网络结构,该网络结构包括深度可分离卷积和点卷积。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,经过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。通过MobileNet V2特征提取后,取出MobileNet V2最后一个卷积层的特征,并将该特征输入分类器层。分类器层至少包括两个全连接层,最后一个全连接层神经元的个数是车型类别的数目。在另一实施例中,也可采用其他网络结构进行特征提取,这里仅以MobileNet-V2网络结构作示例性说明。
在一实施例中,第二识别网络可包括特征层、特征迁移层和分类器层。将采样图像训练样本输入第二识别网络的特征层进行特征提取。第二识别网络的特征层可与第一识别网络的网络结构和参数保持一致,以减少特征层训练的耗时。特征迁移层接收第二识别网络的特征层的输出以及第一识别网络的特征层的输出。
在一实施例中,特征迁移层可由卷积核为1*1的卷积层组成,特征迁移层的输出通道数等于输入通道数,不同位置之间不相互干扰,不会对输入的特征图进行下采样,可保持原有特征的维度。具体地,可通过两层特征迁移层判断从车辆图像提取的特征图与从采样图像提取的特征图之间的距离,进而进行特征筛选,过滤掉不利于尾部数据识别的特征信息,得到尾部数据识别的专用特征。将特征迁移层得到的专用特征输入第二识别网络的分类器层。该分类器层至少包括一层全连接层,且最后一层全连接层神经元的个数等于车型类别的数目。
在一实施例中,第一识别网络的分类器层以及第二识别网络的分类器层均可采用softmax函数作为损失函数。在进行加权处理时,通过二者损失函数的计算结果进行加权求和得到总的损失,具体表示如下:
L=αL1+(1-α)L2
其中,L1表示第一识别网络的softmax损失,L2表示第二识别网络的softmax损失。α为设置的自适应参数,是根据当前训练epoch(迭代次数)自动生成的,主要用于控制在不同训练阶段,网络的主要关注点,使得两个分支在整个训练过程中,可以同时维持各自的学习状态,并相互促进学习,其表达式如下
其中,t表示当前训练的epoch,T表示总的epoch数。随着t的增大,α的值逐渐减小。也就是说,模型一开始偏向于第一识别网络,目的是从车辆图像的分布中学习通用特征。随着训练次数增加,网络逐渐重点关注于第二识别网络,从而提高尾部数据的识别率。
利用总损失对整个网络进行调整,一方面,使得网络关注于尾部数据的精确识别,另一方面,第二识别网络损失间接影响了第一识别网络的权重更新,进一步优化了特征提取结果。
以上为网络训练的步骤,当神经网络训练好后进行车型识别时,可根据第一识别网络与第二识别网络重要程度设置自适应参数的预设值,如可将α的值固定为0.6,并将两个分支的结果按车型类别逐类连接(如通过element-wise操作,将第一识别网络与第二识别网络同类别结果相乘),进一步得到最终车型识别结果。
请参阅图2本实施例中还提供了一种自适应样本分布的车辆识别***,用于执行前述方法实施例中所述的自适应样本分布的车辆识别方法。由于装置实施例的技术原理与前述方法实施例的技术原理相似,因而不再对同样的技术细节做重复性赘述。
在一实施例中,自适应样本分布的车辆识别***包括反向采样模块10和识别模块11,反向采样模块10用于辅助执行前述方法实施例介绍的步骤S01;识别模块11用于辅助执行前述方法实施例介绍的步骤S02。
在一实施例中,识别模块包括第一识别单元和第二识别单元;第一识别单元获取所述车辆图像的特征作为第一特征,并对第一特征进行分类识别,获取第一分类结果;
第二识别单元获取采样图像的特征作为第二特征,并根据第一特征和第二特征进行特征筛选,获取采样车辆类型对应车辆的专用特征,并对专用特征进行分类识别,获取第二分类结果;
将所述第一分类结果和所述第二分类结果进行加权处理,获取车辆识别结果。
综上所述,本发明一种自适应样本分布的车辆识别方法及***,通过第一识别网络分支,学习车辆图像的通用特征,通过第二识别网络分支重点加强尾部数据的识别效果,两者结合可以得到整个车型范围性能优异的特征描述,提高整体车型识别准确率;融入轻量级深度卷积神经网络模型,进一步压缩模型,从而加快整体运算速度。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)
1.一种自适应样本分布的车辆识别方法,其特征在于,包括:
获取包含多种车型类别的车辆图像,并根据不同车型类别对应的车辆数量设置采样概率对所述车辆图像进行采样,获取采样图像;
分别采用预训练的不同分支网络对所述车辆图像和所述采样图像进行分类识别,并将二者识别结果进行加权处理,获取车辆识别结果。
2.根据权利要求1所述的自适应样本分布的车辆识别方法,其特征在于,获取所述车辆识别结果的过程还包括:
获取所述车辆图像的特征作为第一特征,并对所述第一特征进行分类识别,获取第一分类结果;
获取所述采样图像的特征作为第二特征,并根据所述第一特征和第二特征进行特征筛选,获取采样车辆类型对应车辆的专用特征,并对所述专用特征进行分类识别,获取第二分类结果;
将所述第一分类结果和所述第二分类结果进行加权处理,获取车辆识别结果。
3.根据权利要求1所述的自适应样本分布的车辆识别方法,其特征在于,根据所述每一车辆类型对应的车辆数量在所述车辆图像中车辆总数的占比设置所述采样概率;其中,所述采样概率与所述占比呈反比。
4.根据权利要求2所述的自适应样本分布的车辆识别方法,其特征在于,设用于识别所述车辆图像的分支网络为第一识别网络,用于识别所述采样图像的分支网络为第二识别网络,则所述第一识别网络包括特征层和分类器层;所述第二识别网络包括特征层、分类器层和用于特征筛选的特征迁移层;所述特征迁移层分别连接所述第一识别网络的特征层和所述第二识别网络的特征层的输出。
5.根据权利要求4所述的自适应样本分布的车辆识别方法,其特征在于,所述第一识别网络的特征层采用MobileNet-V2网络结构;所述分类器层至少包括两层全连接层,且最后一层全连接层中神经元的数量与车型类别数量相等;所述MobileNet-V2网络结构的最后一层卷积层将提取的特征输入所述分类器层进行分类识别。
6.根据权利要求4所述的自适应样本分布的车辆识别方法,其特征在于,所述特征迁移层由卷积核为1*1的卷积层组成。
7.根据权利要求1所述的自适应样本分布的车辆识别方法,其特征在于,设置自适应参数获取不同分支网络识别结果的权重,根据所述权重进行加权处理。
8.根据权利要求7所述的自适应样本分布的车辆识别方法,其特征在于,在训练所述分支网络时,根据分支网络的当前更新迭代次数与总迭代次数的比值设置所述自适应参数;
在完成训练后,设置所述自适应参数为一预设的固定值。
9.一种自适应样本分布的车辆识别***,其特征在于,包括:
反向采样模块,用于获取包含多种车型类别的车辆图像,并根据不同车型类别对应的车辆数量设置采样概率对所述车辆图像进行采样,获取采样图像;
识别模块,用于分别采用预训练的不同分支网络对所述车辆图像和所述采样图像进行分类识别,并将二者识别结果进行加权处理,获取车辆识别结果。
10.根据权利要求9所述的自适应样本分布的车辆识别***,其特征在于,所述识别模块包括第一识别单元和第二识别单元;所述第一识别单元获取所述车辆图像的特征作为第一特征,并对所述第一特征进行分类识别,获取第一分类结果;
所述第二识别单元获取所述采样图像的特征作为第二特征,并根据所述第一特征和第二特征进行特征筛选,获取采样车辆类型对应车辆的专用特征,并对所述专用特征进行分类识别,获取第二分类结果;
将所述第一分类结果和所述第二分类结果进行加权处理,获取车辆识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010818832.XA CN111931768A (zh) | 2020-08-14 | 2020-08-14 | 一种自适应样本分布的车辆识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010818832.XA CN111931768A (zh) | 2020-08-14 | 2020-08-14 | 一种自适应样本分布的车辆识别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111931768A true CN111931768A (zh) | 2020-11-13 |
Family
ID=73311101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010818832.XA Pending CN111931768A (zh) | 2020-08-14 | 2020-08-14 | 一种自适应样本分布的车辆识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931768A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344479A (zh) * | 2021-08-06 | 2021-09-03 | 首都师范大学 | 面向在线课堂的学习参与度智能评估方法和装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874840A (zh) * | 2016-12-30 | 2017-06-20 | 东软集团股份有限公司 | 车辆信息识别方法及装置 |
CN107025459A (zh) * | 2016-01-29 | 2017-08-08 | 中兴通讯股份有限公司 | 一种车型识别方法及装置 |
CN109214441A (zh) * | 2018-08-23 | 2019-01-15 | 桂林电子科技大学 | 一种细粒度车型识别***及方法 |
CN110147707A (zh) * | 2018-10-25 | 2019-08-20 | 初速度(苏州)科技有限公司 | 一种高精度车辆识别方法及*** |
CN110717529A (zh) * | 2019-09-25 | 2020-01-21 | 南京旷云科技有限公司 | 一种数据采样方法及装置 |
US20200074205A1 (en) * | 2017-06-28 | 2020-03-05 | Beijing Sensetime Technology Development Co., Ltd. | Methods and apparatuses for vehicle appearance feature recognition, methods and apparatuses for vehicle retrieval, storage medium, and electronic devices |
CN110991349A (zh) * | 2019-12-05 | 2020-04-10 | 中国科学院重庆绿色智能技术研究院 | 一种基于度量学习的轻量级车辆属性识别方法 |
CN111291841A (zh) * | 2020-05-13 | 2020-06-16 | 腾讯科技(深圳)有限公司 | 图像识别模型训练方法、装置、计算机设备和存储介质 |
CN111310815A (zh) * | 2020-02-07 | 2020-06-19 | 北京字节跳动网络技术有限公司 | 图像识别方法、装置、电子设备及存储介质 |
WO2020141683A1 (ko) * | 2018-12-31 | 2020-07-09 | 렉스젠(주) | 영상 기반의 교통 정보 제공 시스템 및 그 방법 |
-
2020
- 2020-08-14 CN CN202010818832.XA patent/CN111931768A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107025459A (zh) * | 2016-01-29 | 2017-08-08 | 中兴通讯股份有限公司 | 一种车型识别方法及装置 |
CN106874840A (zh) * | 2016-12-30 | 2017-06-20 | 东软集团股份有限公司 | 车辆信息识别方法及装置 |
US20200074205A1 (en) * | 2017-06-28 | 2020-03-05 | Beijing Sensetime Technology Development Co., Ltd. | Methods and apparatuses for vehicle appearance feature recognition, methods and apparatuses for vehicle retrieval, storage medium, and electronic devices |
CN109214441A (zh) * | 2018-08-23 | 2019-01-15 | 桂林电子科技大学 | 一种细粒度车型识别***及方法 |
CN110147707A (zh) * | 2018-10-25 | 2019-08-20 | 初速度(苏州)科技有限公司 | 一种高精度车辆识别方法及*** |
WO2020141683A1 (ko) * | 2018-12-31 | 2020-07-09 | 렉스젠(주) | 영상 기반의 교통 정보 제공 시스템 및 그 방법 |
CN110717529A (zh) * | 2019-09-25 | 2020-01-21 | 南京旷云科技有限公司 | 一种数据采样方法及装置 |
CN110991349A (zh) * | 2019-12-05 | 2020-04-10 | 中国科学院重庆绿色智能技术研究院 | 一种基于度量学习的轻量级车辆属性识别方法 |
CN111310815A (zh) * | 2020-02-07 | 2020-06-19 | 北京字节跳动网络技术有限公司 | 图像识别方法、装置、电子设备及存储介质 |
CN111291841A (zh) * | 2020-05-13 | 2020-06-16 | 腾讯科技(深圳)有限公司 | 图像识别模型训练方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
王召月等: "基于概率分布估计的私家车和出租车行程时间可变性度量", 《计算机应用与软件》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344479A (zh) * | 2021-08-06 | 2021-09-03 | 首都师范大学 | 面向在线课堂的学习参与度智能评估方法和装置 |
CN113344479B (zh) * | 2021-08-06 | 2022-01-07 | 首都师范大学 | 面向在线课堂的学习参与度智能评估方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106599773B (zh) | 用于智能驾驶的深度学习图像识别方法、***及终端设备 | |
CN111914907B (zh) | 一种基于深度学习空谱联合网络的高光谱图像分类方法 | |
CN109902806B (zh) | 基于卷积神经网络的噪声图像目标边界框确定方法 | |
CN110163187B (zh) | 基于f-rcnn的远距离交通标志检测识别方法 | |
CN107886073B (zh) | 一种基于卷积神经网络的细粒度车辆多属性识别方法 | |
CN110909666B (zh) | 一种基于改进型YOLOv3卷积神经网络的夜间车辆检测方法 | |
CN111460919B (zh) | 一种基于改进YOLOv3的单目视觉道路目标检测及距离估计方法 | |
CN111275711A (zh) | 基于轻量级卷积神经网络模型的实时图像语义分割方法 | |
CN110796009A (zh) | 基于多尺度卷积神经网络模型的海上船只检测方法及*** | |
CN111310773A (zh) | 一种高效的卷积神经网络的车牌定位方法 | |
CN113421269A (zh) | 一种基于双分支深度卷积神经网络的实时语义分割方法 | |
CN104517103A (zh) | 一种基于深度神经网络的交通标志分类方法 | |
CN110706239B (zh) | 融合全卷积神经网络与改进aspp模块的场景分割方法 | |
CN108830254B (zh) | 一种基于数据均衡策略和密集注意网络的细粒度车型检测与识别方法 | |
CN112464911A (zh) | 基于改进YOLOv3-tiny的交通标志检测与识别方法 | |
CN110532961B (zh) | 一种基于多尺度注意机制网络模型的语义交通信号灯检测方法 | |
CN110991349B (zh) | 一种基于度量学习的轻量级车辆属性识别方法 | |
CN105718889A (zh) | 基于GB(2D)2PCANet深度卷积模型的人脸身份识别方法 | |
CN110717493B (zh) | 一种基于深度学习的含堆叠字符的车牌识别方法 | |
CN112115871B (zh) | 适用于行人目标检测的高低频交织边缘特征增强方法 | |
CN111540203B (zh) | 基于Faster-RCNN调节绿灯通行时间的方法 | |
CN111738114A (zh) | 基于无锚点精确采样遥感图像车辆目标检测方法 | |
CN111079543B (zh) | 一种基于深度学习的高效车辆颜色识别方法 | |
CN113205107A (zh) | 一种基于改进高效率网络的车型识别方法 | |
CN112084897A (zh) | 一种gs-ssd的交通大场景车辆目标快速检测方法 |
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: 20201113 |
|
RJ01 | Rejection of invention patent application after publication |