CN109214441A - 一种细粒度车型识别系统及方法 - Google Patents
一种细粒度车型识别系统及方法 Download PDFInfo
- Publication number
- CN109214441A CN109214441A CN201810968895.6A CN201810968895A CN109214441A CN 109214441 A CN109214441 A CN 109214441A CN 201810968895 A CN201810968895 A CN 201810968895A CN 109214441 A CN109214441 A CN 109214441A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- fine granularity
- layer
- loss
- model
- 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
Classifications
-
- 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
- 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
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种细粒度车型识别系统及方法，方法包括以下步骤：构建车辆样本数据库，利用Fast‑RCNN对样本数据库内的样本图片进行目标检测，截取出目标车辆的图片；构建奇异值分解卷积神经网络，使用中心距离损失和分类损失的融合损失，将目标车辆的图片导入到所述的奇异值分解卷积神经网络进行训练，得到训练模型；提取训练模型中全连接层的权重矩阵W，对权重矩阵W进行奇异值分解后重新赋值并调整，获得细粒度车型识别模型；采用细粒度车型识别模型对车辆样本数据库内的样本图片进行分类识别，识别出车辆样本数据库中的车辆。相对现有技术，本发明可以去除具有相关性的冗余特征，学习到细粒度级别的区分性特征能够提高细粒度车型识别的准确率。
Description
技术领域
本发明涉及模式识别与图像处理技术领域，特别涉及一种细粒度车型识别系统及方法。
背景技术
细粒度车型识别是智能交通系统中的核心部分，在现实生活中有着更加广泛的应用，例如：对车辆套牌进行检查，被盗车辆以及违法驾驶的车辆进行车型的识别等，针对目前传统的算法对细粒度车型识别的准确率不高问题，本发明采用卷积神经网络的深度学习算法框架，通过构建奇异值分解卷积神经网络，对训练后模型的全连接层进行奇异值分解再训练，并结合中心距离损失，可以去除具有相关性的冗余特征，学习到细粒度级别的区分性特征，同时使得类内之间的距离更小，其准确率相较于传统方法有较大的提升。
发明内容
本发明的目的是提供一种细粒度车型识别系统及方法，所要解决的技术问题是：目前传统的算法对细粒度车型识别的准确率不高。
本发明解决上述技术问题的技术方案如下：一种细粒度车型识别方法，包括以下步骤：
步骤S1：构建车辆样本数据库，利用Fast-RCNN对样本数据库内的样本图片进行目标检测，当检测出目标车辆，则截取出目标车辆的图片；
步骤S2：构建奇异值分解卷积神经网络，使用中心距离损失和分类损失的融合损失，将目标车辆的图片导入到所述的奇异值分解卷积神经网络进行训练，得到训练模型；
步骤S3：提取训练模型中全连接层的权重矩阵W，对权重矩阵W进行奇异值分解后重新赋值并调整，获得细粒度车型识别模型；
步骤S4：采用细粒度车型识别模型对车辆样本数据库内的样本图片进行分类识别，从而识别出车辆样本数据库中的车辆。
进一步，所述步骤1中Fast-RCNN检测的具体步骤为：
利用Selective Search算法在样本图片提取多个建议窗口，同时将样本图片输入CNN进行特征提取；
将多个建议窗口映射到CNN的最后一层卷积feature map上，通过Rol pooling层使每个建议窗口生成固定尺寸的feature map；
最后利用Softmax Loss和Smooth L1 Loss对分类概率和边框回归联合训练得到目标车辆。
进一步，步骤2的具体步骤为：所述奇异值分解卷积神经网络具体包括依次连接的卷积层Conv1、池化层Pool1、卷积层Conv2、池化层Pool2、卷积层Conv3，池化层Pool3、全连接层Fc1、drop_out1层、全连接层Fc2、drop_out2层和分类层Softmax，还包括中心距离损失层，所述中心距离损失层连接全连接层Fc1和数据层；
所述卷积层Conv1、卷积层Conv2和卷积层Conv3均用于对输入的图像进行卷积操作，通过激活函数计算卷积的输出；
所述池化层Pool1、池化层Pool2和池化层Pool3均用于对图像进行下采样操作减少图像尺寸大小；
所述drop_out层可以防止训练过拟合，使网络学习到更加紧凑和更具有区分性的特征；
所述分类层Softmax用于全连接层输出的特征进行特征分类。
所述中心距离损失层用于缩小类内之间的距离，学习具有聚类性的特征。
进一步，所述步骤S2中的中心距离损失和分类损失的融合损失，具体两个损失函数加权融合的目标函数如下：
其中，L1为分类损失函数；N为训练数据类别的总数；M为样本属性个数；L2为中心距离损失函数；其中xi表示第i张图片的特征图；cyi表示类yi的类中心；λ为L2的权重值。
通过使用BGD批量梯度下降算法进行反馈学习，分类损失函数L(xi)对输入x的反向计算求导公式如下：
Wixi+bi为神经网络中神经元的输出，反馈计算中需要更新xi的权重Wi和偏置bi，更新公式如下：
其中，η为学习率，通过更新神经元权重，特征层能对融合损失进行学习。
进一步，所述步骤S3的具体步骤如下：
提取出训练模型中全连接的权重矩阵W，对权重矩阵W进行奇异值分解，具体公式如下：
W＝USVT
其中W是全连接层的权重向量，U是左酉矩阵，S是奇异值矩阵，V是右酉矩阵；
用US代替W，然后全连接层使用WWT的所有特征向量作为权重向量，替换之后生成训练模型A；
将训练模型A中全连接层的权重矩阵固定，对其它层进行调整直到收敛，得到训练模型B；在训练模型B的基础上对所有参数进行调整调直到收敛，完成训练得到细粒度车型识别模型。
本发明的有益效果是：通过对全连接层当中的权重矩阵进行奇异值分解，可以去除具有相关性的冗余特征，学习到细粒度级别的区分性特征。与传统方法相比，本发明采用奇异值分解卷积神经网络的方法，能够提高细粒度车型识别的准确率。
本发明解决上述技术问题的另一技术方案如下：一种细粒度车型识别系统，包括：
截取图片模块，用于构建车辆样本数据库，利用Fast-RCNN对样本数据库内的样本图片进行目标检测，当检测出目标车辆，则截取出目标车辆的图片；
构建模型模块，用于构建奇异值分解卷积神经网络，使用中心距离损失和分类损失的融合损失，将目标车辆的图片导入到所述的奇异值分解卷积神经网络进行训练，得到训练模型；
模型训练模块，用于提取训练模型中全连接层的权重矩阵W，对权重矩阵W进行奇异值分解后重新赋值并调整，获得细粒度车型识别模型；
车辆识别模块，用于采用细粒度车型识别模型对车辆样本数据库内的样本图片进行分类识别，从而识别出车辆样本数据库中的车辆。
上述实施例中，所述截取图片模块中Fast-RCNN检测的具体实现为：截取图片模块利用Selective Search算法在样本图片提取多个建议窗口，同时将样本图片输入CNN进行特征提取；将多个建议窗口映射到CNN的最后一层卷积feature map上，通过Rol pooling层使每个建议窗口生成固定尺寸的feature map；最后利用Softmax Loss和Smooth L1 Loss对分类概率和边框回归联合训练得到目标车辆。
上述实施例中，所述奇异值分解卷积神经网络具体包括依次连接的卷积层Conv1、池化层Pool1、卷积层Conv2、池化层Pool2、卷积层Conv3，池化层Pool3、全连接层Fc1、drop_out1层、全连接层Fc2、drop_out2层和分类层Softmax，还包括中心距离损失层，所述中心距离损失层连接全连接层Fc1和数据层。
上述实施例中，所述构建模型模块的中心距离损失和分类损失的融合损失，具体两个损失函数加权融合的目标函数如下：
其中，L1为分类损失函数；N为训练数据类别的总数；M为样本属性个数；L2为中心距离损失函数；其中xi表示第i张图片的特征图；cyi表示类yi的类中心；λ为L2的权重值。
通过使用BGD批量梯度下降算法进行反馈学习，分类损失函数L(xi)对输入x的反向计算求导公式如下：
Wixi+bi为神经网络中神经元的输出，反馈计算中需要更新xi的权重Wi和偏置bi，更新公式如下：
其中，η为学习率，通过更新神经元权重，特征层能对融合损失进行学习。
上述实施例中，所述模型训练模块提取出训练模型中全连接的权重矩阵W，对权重矩阵W进行奇异值分解，具体公式如下：
W＝USVT
其中W是全连接层的权重向量，U是左酉矩阵，S是奇异值矩阵，V是右酉矩阵；
用US代替W，然后全连接层使用WWT的所有特征向量作为权重向量，替换之后生成训练模型A；
将训练模型A中全连接层的权重矩阵固定，对其它层进行调整直到收敛，得到训练模型B；在训练模型B的基础上对所有参数进行调整调直到收敛，完成训练得到细粒度车型识别模型。
本发明的有益效果是：通过对全连接层当中的权重矩阵进行奇异值分解，可以去除具有相关性的冗余特征，学习到细粒度级别的区分性特征。与传统方法相比，本发明采用奇异值分解卷积神经网络的方法，能够提高细粒度车型识别的准确率。
附图说明
图1为本发明一种细粒度车型识别方法的流程图；
图2为本发明一种细粒度车型识别系统的模块框图；
图3为本发明奇异值分解卷积神经网络框架示意图。
附图中，各标号所代表的部件列表如下：
1、截取图片模块，2、构建模型模块，3、模型训练模块，4、车辆识别模块。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1和图2所示，一种细粒度车型识别方法，包括以下步骤：
步骤S1：构建车辆样本数据库，利用Fast-RCNN对样本数据库内的样本图片进行目标检测，当检测出目标车辆，则截取出目标车辆的图片；
步骤S2：构建奇异值分解卷积神经网络，使用中心距离损失和分类损失的融合损失，将目标车辆的图片导入到所述的奇异值分解卷积神经网络进行训练，得到训练模型；
步骤S3：提取训练模型中全连接层的权重矩阵W，对权重矩阵W进行奇异值分解后重新赋值并调整，获得细粒度车型识别模型；
步骤S4：采用细粒度车型识别模型对车辆样本数据库内的样本图片进行分类识别，从而识别出车辆样本数据库中的车辆。
上述实施例中，所述步骤1中Fast-RCNN检测的具体步骤为：
利用Selective Search算法在样本图片提取多个建议窗口，同时将样本图片输入CNN进行特征提取；
将多个建议窗口映射到CNN的最后一层卷积feature map上，通过Rol pooling层使每个建议窗口生成固定尺寸的feature map；
最后利用Softmax Loss和Smooth L1 Loss对分类概率和边框回归联合训练得到目标车辆。
上述实施例中，步骤2的具体步骤为：所述奇异值分解卷积神经网络具体包括依次连接的卷积层Conv1、池化层Pool1、卷积层Conv2、池化层Pool2、卷积层Conv3，池化层Pool3、全连接层Fc1、drop_out1层、全连接层Fc2、drop_out2层和分类层Softmax，还包括中心距离损失层，所述中心距离损失层连接全连接层Fc1和数据层；
所述卷积层Conv1、卷积层Conv2和卷积层Conv3均用于对输入的图像进行卷积操作，通过激活函数计算卷积的输出；
所述池化层Pool 1、池化层Pool2和池化层Pool3均用于对图像进行下采样操作减少图像尺寸大小；
所述drop_out层可以防止训练过拟合，使网络学习到更加紧凑和更具有区分性的特征；
所述分类层Softmax用于全连接层输出的特征进行特征分类。
所述中心距离损失层用于缩小类内之间的距离，学习具有聚类性的特征。
上述实施例中，所述步骤S2中的中心距离损失和分类损失的融合损失，具体两个损失函数加权融合的目标函数如下：
其中，L1为分类损失函数；N为训练数据类别的总数；M为样本属性个数；L2为中心距离损失函数；其中xi表示第i张图片的特征图；cyi表示类yi的类中心；λ为L2的权重值。
通过使用BGD(Batch Gradient Descent)批量梯度下降算法进行反馈学习，分类损失函数L(xi)对输入x的反向计算求导公式如下：
Wixi+bi为神经网络中神经元的输出，反馈计算中需要更新xi的权重Wi和偏置bi，更新公式如下：
其中，η为学习率，通过更新神经元权重，特征层能对融合损失进行学习。
上述实施例中，所述步骤S3的具体步骤如下：
提取出训练模型中全连接的权重矩阵W，对权重矩阵W进行奇异值分解，具体公式如下：
W＝USVT
其中W是全连接层的权重向量，U是左酉矩阵，S是奇异值矩阵，V是右酉矩阵；
用US代替W，然后全连接层使用WWT的所有特征向量作为权重向量，替换之后生成训练模型A；
将训练模型A中全连接层的权重矩阵固定，对其它层进行调整直到收敛，得到训练模型B；在训练模型B的基础上对所有参数进行调整调直到收敛，完成训练得到细粒度车型识别模型。
本实施例通过对全连接层当中的权重矩阵进行奇异值分解，可以去除具有相关性的冗余特征，学习到细粒度级别的区分性特征。与传统方法相比，本发明采用奇异值分解卷积神经网络的方法，能够提高细粒度车型识别的准确率。
实施例2：
如图2和图3所示，一种细粒度车型识别系统，包括：
截取图片模块1，用于构建车辆样本数据库，利用Fast-RCNN对样本数据库内的样本图片进行目标检测，当检测出目标车辆，则截取出目标车辆的图片；
构建模型模块2，用于构建奇异值分解卷积神经网络，使用中心距离损失和分类损失的融合损失，将目标车辆的图片导入到所述的奇异值分解卷积神经网络进行训练，得到训练模型；
模型训练模块3，用于提取训练模型中全连接层的权重矩阵W，对权重矩阵W进行奇异值分解后重新赋值并调整，获得细粒度车型识别模型；
车辆识别模块4，用于采用细粒度车型识别模型对车辆样本数据库内的样本图片进行分类识别，从而识别出车辆样本数据库中的车辆。
上述实施例中，所述截取图片模块1中Fast-RCNN检测的具体实现为：截取图片模块1利用Selective Search算法在样本图片提取多个建议窗口，同时将样本图片输入CNN进行特征提取；将多个建议窗口映射到CNN的最后一层卷积feature map上，通过Rol pooling层使每个建议窗口生成固定尺寸的feature map；最后利用Softmax Loss和Smooth L1Loss对分类概率和边框回归联合训练得到目标车辆。
上述实施例中，所述奇异值分解卷积神经网络具体包括依次连接的卷积层Conv1、池化层Pool1、卷积层Conv2、池化层Pool2、卷积层Conv3，池化层Pool3、全连接层Fc1、drop_out1层、全连接层Fc2、drop_out2层和分类层Softmax，还包括中心距离损失层，所述中心距离损失层连接全连接层Fc1和数据层。
上述实施例中，所述构建模型模块2的中心距离损失和分类损失的融合损失，具体两个损失函数加权融合的目标函数如下：
其中，L1为分类损失函数；N为训练数据类别的总数；M为样本属性个数；L2为中心距离损失函数；其中xi表示第i张图片的特征图；cyi表示类yi的类中心；λ为L2的权重值。
通过使用BGD批量梯度下降算法进行反馈学习，分类损失函数L(xi)对输入x的反向计算求导公式如下：
Wixi+bi为神经网络中神经元的输出，反馈计算中需要更新xi的权重Wi和偏置bi，更新公式如下：
其中，η为学习率，通过更新神经元权重，特征层能对融合损失进行学习。
上述实施例中，所述模型训练模块3提取出训练模型中全连接的权重矩阵W，对权重矩阵W进行奇异值分解，具体公式如下：
W＝USVT
其中W是全连接层的权重向量，U是左酉矩阵，S是奇异值矩阵，V是右酉矩阵；
用US代替W，然后全连接层使用WWT的所有特征向量作为权重向量，替换之后生成训练模型A；
将训练模型A中全连接层的权重矩阵固定，对其它层进行调整直到收敛，得到训练模型B；在训练模型B的基础上对所有参数进行调整调直到收敛，完成训练得到细粒度车型识别模型。
本实施例通过对全连接层当中的权重矩阵进行奇异值分解，可以去除具有相关性的冗余特征，学习到细粒度级别的区分性特征。与传统方法相比，本发明采用奇异值分解卷积神经网络的方法，能够提高细粒度车型识别的准确率。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种细粒度车型识别方法，其特征在于，包括以下步骤：
步骤S1：构建车辆样本数据库，利用Fast-RCNN对样本数据库内的样本图片进行目标检测，当检测出目标车辆，则截取出目标车辆的图片；
步骤S2：构建奇异值分解卷积神经网络，使用中心距离损失和分类损失的融合损失，将目标车辆的图片导入到所述的奇异值分解卷积神经网络进行训练，得到训练模型；
步骤S3：提取训练模型中全连接层的权重矩阵W，对权重矩阵W进行奇异值分解后重新赋值并调整，获得细粒度车型识别模型；
步骤S4：采用细粒度车型识别模型对车辆样本数据库内的样本图片进行分类识别，从而识别出车辆样本数据库中的车辆。
2.根据权利要求1所述一种细粒度车型识别方法，其特征在于，所述步骤1中Fast-RCNN检测的具体步骤为：
利用Selective Search算法在样本图片提取多个建议窗口，同时将样本图片输入CNN进行特征提取；
将多个建议窗口映射到CNN的最后一层卷积feature map上,通过RoI pooling层使每个建议窗口生成固定尺寸的feature map；
最后利用Softmax Loss和Smooth L1Loss对分类概率和边框回归联合训练得到目标车辆。
3.根据权利要求1所述一种细粒度车型识别方法，其特征在于，步骤2的具体步骤为：所述奇异值分解卷积神经网络具体包括依次连接的卷积层Conv1、池化层Pool1、卷积层Conv2、池化层Pool2、卷积层Conv3，池化层Pool3、全连接层Fc1、drop_out1层、全连接层Fc2、drop_out2层和分类层Softmax，还包括中心距离损失层，所述中心距离损失层连接全连接层Fc1和数据层。
4.根据权利要求2所述一种细粒度车型识别方法，其特征在于，
所述步骤S2中的中心距离损失和分类损失的融合损失，具体两个损失函数加权融合的目标函数如下：
其中，L1为分类损失函数；N为训练数据类别的总数；M为样本属性个数；L2为中心距离损失函数；其中xi表示第i张图片的特征图；cyi表示类yi的类中心；λ为L2的权重值；
通过使用BGD批量梯度下降算法进行反馈学习，分类损失函数L(xi)对输入x的反向计算求导公式如下：
Wixi+bi为神经网络中神经元的输出，反馈计算中需要更新xi的权重Wi和偏置bi，更新公式如下：
其中，η为学习率，通过更新神经元权重，特征层能对融合损失进行学习。
5.根据权利要求1所述一种细粒度车型识别方法，其特征在于，所述步骤S3的具体步骤如下：
提取出训练模型中全连接的权重矩阵W，对权重矩阵W进行奇异值分解,具体公式如下：
W＝USVT
其中W是全连接层的权重向量，U是左酉矩阵，S是奇异值矩阵，V是右酉矩阵；
用US代替W，然后全连接层使用WWT的所有特征向量作为权重向量，替换之后生成训练模型A；
将训练模型A中全连接层的权重矩阵固定，对其它层进行调整直到收敛，得到训练模型B；在训练模型B的基础上对所有参数进行调整调直到收敛，完成训练得到细粒度车型识别模型。
6.一种细粒度车型识别系统，其特征在于，包括：
截取图片模块(1)，用于构建车辆样本数据库，利用Fast-RCNN对样本数据库内的样本图片进行目标检测，当检测出目标车辆，则截取出目标车辆的图片；
构建模型模块(2)，用于构建奇异值分解卷积神经网络，使用中心距离损失和分类损失的融合损失，将目标车辆的图片导入到所述的奇异值分解卷积神经网络进行训练，得到训练模型；
模型训练模块(3)，用于提取训练模型中全连接层的权重矩阵W，对权重矩阵W进行奇异值分解后重新赋值并调整，获得细粒度车型识别模型；
车辆识别模块(4)，用于采用细粒度车型识别模型对车辆样本数据库内的样本图片进行分类识别，从而识别出车辆样本数据库中的车辆。
7.根据权利要求6所述一种细粒度车型识别系统，其特征在于，所述截取图片模块(1)中Fast-RCNN检测的具体实现为：截取图片模块(1)利用Selective Search算法在样本图片提取多个建议窗口，同时将样本图片输入CNN进行特征提取；将多个建议窗口映射到CNN的最后一层卷积feature map上,通过RoI pooling层使每个建议窗口生成固定尺寸的feature map；最后利用Softmax Loss和Smooth L1Loss对分类概率和边框回归联合训练得到目标车辆。
8.根据权利要求6所述一种细粒度车型识别系统，其特征在于，所述奇异值分解卷积神经网络具体包括依次连接的卷积层Conv1、池化层Pool1、卷积层Conv2、池化层Pool2、卷积层Conv3，池化层Pool3、全连接层Fc1、drop_out1层、全连接层Fc2、drop_out2层和分类层Softmax，还包括中心距离损失层，所述中心距离损失层连接全连接层Fc1和数据层。
9.根据权利要求8所述一种细粒度车型识别系统，其特征在于，所述构建模型模块(2)的中心距离损失和分类损失的融合损失，具体两个损失函数加权融合的目标函数如下：
其中，L1为分类损失函数；N为训练数据类别的总数；M为样本属性个数；L2为中心距离损失函数；其中xi表示第i张图片的特征图；cyi表示类yi的类中心；λ为L2的权重值；
通过使用BGD批量梯度下降算法进行反馈学习，分类损失函数L(xi)对输入x的反向计算求导公式如下：
Wixi+bi为神经网络中神经元的输出，反馈计算中需要更新xi的权重Wi和偏置bi，更新公式如下：
其中，η为学习率，通过更新神经元权重，特征层能对融合损失进行学习。
10.根据权利要求6所述一种细粒度车型识别系统，其特征在于，所述模型训练模块(3)提取出训练模型中全连接的权重矩阵W，对权重矩阵W进行奇异值分解,具体公式如下：
W＝USVT
其中W是全连接层的权重向量，U是左酉矩阵，S是奇异值矩阵，V是右酉矩阵；
用US代替W，然后全连接层使用WWT的所有特征向量作为权重向量，替换之后生成训练模型A；
将训练模型A中全连接层的权重矩阵固定，对其它层进行调整直到收敛，得到训练模型B；在训练模型B的基础上对所有参数进行调整调直到收敛，完成训练得到细粒度车型识别模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810968895.6A CN109214441A (zh) | 2018-08-23 | 2018-08-23 | 一种细粒度车型识别系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810968895.6A CN109214441A (zh) | 2018-08-23 | 2018-08-23 | 一种细粒度车型识别系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109214441A true CN109214441A (zh) | 2019-01-15 |
Family
ID=64989742
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810968895.6A Pending CN109214441A (zh) | 2018-08-23 | 2018-08-23 | 一种细粒度车型识别系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109214441A (zh) |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109902732A (zh) * | 2019-02-22 | 2019-06-18 | 哈尔滨工业大学（深圳） | 车辆自动分类方法及相关装置 |
| CN109919072A (zh) * | 2019-02-28 | 2019-06-21 | 桂林电子科技大学 | 基于深度学习和轨迹跟踪的精细车型识别与流量统计方法 |
| CN110009722A (zh) * | 2019-04-16 | 2019-07-12 | 成都四方伟业软件股份有限公司 | 三维重建方法及装置 |
| CN110188692A (zh) * | 2019-05-30 | 2019-08-30 | 南通大学 | 一种有效目标快速识别的强化循环级联方法 |
| CN110334236A (zh) * | 2019-07-12 | 2019-10-15 | 厦门大学 | 一种基于施密特正交化约束的细粒度检索方法 |
| CN110503135A (zh) * | 2019-07-31 | 2019-11-26 | 上海交通大学烟台信息技术研究院 | 用于电力设备边缘侧识别的深度学习模型压缩方法及系统 |
| CN110619304A (zh) * | 2019-09-17 | 2019-12-27 | 中控智慧科技股份有限公司 | 一种车型识别方法、系统、装置及计算机可读介质 |
| CN110647912A (zh) * | 2019-08-15 | 2020-01-03 | 深圳久凌软件技术有限公司 | 细粒度图像识别方法、装置、计算机设备及存储介质 |
| CN110689043A (zh) * | 2019-08-22 | 2020-01-14 | 长沙千视通智能科技有限公司 | 一种基于多重注意力机制的车辆细粒度识别方法及装置 |
| CN110991374A (zh) * | 2019-12-10 | 2020-04-10 | 电子科技大学 | 一种基于rcnn的指纹奇异点检测方法 |
| CN111144372A (zh) * | 2019-12-31 | 2020-05-12 | 上海眼控科技股份有限公司 | 车辆检测方法、装置、计算机设备和存储介质 |
| CN111274893A (zh) * | 2020-01-14 | 2020-06-12 | 中国人民解放军国防科技大学 | 基于部件分割与特征融合的飞行器图像细粒度识别方法 |
| CN111429215A (zh) * | 2020-03-18 | 2020-07-17 | 北京互金新融科技有限公司 | 数据的处理方法和装置 |
| CN111797700A (zh) * | 2020-06-10 | 2020-10-20 | 南昌大学 | 一种基于细粒度判别网络与二阶重排序的车辆重识别方法 |
| CN111914911A (zh) * | 2020-07-16 | 2020-11-10 | 桂林电子科技大学 | 一种基于改进深度相对距离学习模型的车辆再识别方法 |
| 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系统 |
| CN111967574A (zh) * | 2020-07-20 | 2020-11-20 | 华南理工大学 | 一种基于张量奇异值定界的卷积神经网络训练方法 |
| CN112070048A (zh) * | 2020-09-16 | 2020-12-11 | 福州大学 | 基于RDSNet的车辆属性识别方法 |
| CN112149720A (zh) * | 2020-09-09 | 2020-12-29 | 南京信息工程大学 | 一种细粒度车辆类型识别方法 |
| CN112418168A (zh) * | 2020-12-10 | 2021-02-26 | 深圳云天励飞技术股份有限公司 | 车辆识别方法、装置、系统、电子设备及存储介质 |
| CN112949408A (zh) * | 2021-02-02 | 2021-06-11 | 华电西藏能源有限公司 | 一种过鱼通道目标鱼类实时识别方法和系统 |
| CN113159115A (zh) * | 2021-03-10 | 2021-07-23 | 中国人民解放军陆军工程大学 | 基于神经架构搜索的车辆细粒度识别方法、系统和装置 |
| CN113343881A (zh) * | 2021-06-21 | 2021-09-03 | 浪潮云信息技术股份公司 | 基于深度学习的车辆品牌型号细粒度分类系统及方法 |
| CN116956214A (zh) * | 2023-07-07 | 2023-10-27 | 北京邮电大学 | 基于正则化集成学习的多模态细粒度论文分类方法和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106250812A (zh) * | 2016-07-15 | 2016-12-21 | 汤平 | 一种基于快速r‑cnn深度神经网络的车型识别方法 |
| CN107301383A (zh) * | 2017-06-07 | 2017-10-27 | 华南理工大学 | 一种基于Fast R‑CNN的路面交通标志识别方法 |
| CN108052861A (zh) * | 2017-11-08 | 2018-05-18 | 北京卓视智通科技有限责任公司 | 一种神经网络系统及基于该神经网络系统的车型识别方法 |
-
2018
- 2018-08-23 CN CN201810968895.6A patent/CN109214441A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106250812A (zh) * | 2016-07-15 | 2016-12-21 | 汤平 | 一种基于快速r‑cnn深度神经网络的车型识别方法 |
| CN107301383A (zh) * | 2017-06-07 | 2017-10-27 | 华南理工大学 | 一种基于Fast R‑CNN的路面交通标志识别方法 |
| CN108052861A (zh) * | 2017-11-08 | 2018-05-18 | 北京卓视智通科技有限责任公司 | 一种神经网络系统及基于该神经网络系统的车型识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 袁公萍 等: "《基于深度卷积神经网络的车型识别方法》", 《浙江大学学报(工学版)》 * |
Cited By (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109902732A (zh) * | 2019-02-22 | 2019-06-18 | 哈尔滨工业大学（深圳） | 车辆自动分类方法及相关装置 |
| CN109919072A (zh) * | 2019-02-28 | 2019-06-21 | 桂林电子科技大学 | 基于深度学习和轨迹跟踪的精细车型识别与流量统计方法 |
| CN109919072B (zh) * | 2019-02-28 | 2021-03-19 | 桂林电子科技大学 | 基于深度学习和轨迹跟踪的精细车型识别与流量统计方法 |
| CN110009722A (zh) * | 2019-04-16 | 2019-07-12 | 成都四方伟业软件股份有限公司 | 三维重建方法及装置 |
| CN110188692B (zh) * | 2019-05-30 | 2023-06-06 | 南通大学 | 一种有效目标快速识别的强化循环级联方法 |
| CN110188692A (zh) * | 2019-05-30 | 2019-08-30 | 南通大学 | 一种有效目标快速识别的强化循环级联方法 |
| CN110334236A (zh) * | 2019-07-12 | 2019-10-15 | 厦门大学 | 一种基于施密特正交化约束的细粒度检索方法 |
| CN110503135A (zh) * | 2019-07-31 | 2019-11-26 | 上海交通大学烟台信息技术研究院 | 用于电力设备边缘侧识别的深度学习模型压缩方法及系统 |
| CN110647912A (zh) * | 2019-08-15 | 2020-01-03 | 深圳久凌软件技术有限公司 | 细粒度图像识别方法、装置、计算机设备及存储介质 |
| CN110689043A (zh) * | 2019-08-22 | 2020-01-14 | 长沙千视通智能科技有限公司 | 一种基于多重注意力机制的车辆细粒度识别方法及装置 |
| CN110619304A (zh) * | 2019-09-17 | 2019-12-27 | 中控智慧科技股份有限公司 | 一种车型识别方法、系统、装置及计算机可读介质 |
| CN110991374A (zh) * | 2019-12-10 | 2020-04-10 | 电子科技大学 | 一种基于rcnn的指纹奇异点检测方法 |
| CN111144372A (zh) * | 2019-12-31 | 2020-05-12 | 上海眼控科技股份有限公司 | 车辆检测方法、装置、计算机设备和存储介质 |
| CN111274893A (zh) * | 2020-01-14 | 2020-06-12 | 中国人民解放军国防科技大学 | 基于部件分割与特征融合的飞行器图像细粒度识别方法 |
| CN111274893B (zh) * | 2020-01-14 | 2022-11-08 | 中国人民解放军国防科技大学 | 基于部件分割与特征融合的飞行器图像细粒度识别方法 |
| CN111429215A (zh) * | 2020-03-18 | 2020-07-17 | 北京互金新融科技有限公司 | 数据的处理方法和装置 |
| CN111429215B (zh) * | 2020-03-18 | 2023-10-31 | 北京互金新融科技有限公司 | 数据的处理方法和装置 |
| CN111797700A (zh) * | 2020-06-10 | 2020-10-20 | 南昌大学 | 一种基于细粒度判别网络与二阶重排序的车辆重识别方法 |
| CN111914911B (zh) * | 2020-07-16 | 2022-04-08 | 桂林电子科技大学 | 一种基于改进深度相对距离学习模型的车辆再识别方法 |
| CN111914911A (zh) * | 2020-07-16 | 2020-11-10 | 桂林电子科技大学 | 一种基于改进深度相对距离学习模型的车辆再识别方法 |
| CN111967574A (zh) * | 2020-07-20 | 2020-11-20 | 华南理工大学 | 一种基于张量奇异值定界的卷积神经网络训练方法 |
| CN111967574B (zh) * | 2020-07-20 | 2024-01-23 | 华南理工大学 | 一种基于张量奇异值定界的卷积神经网络训练方法 |
| 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系统 |
| CN112149720A (zh) * | 2020-09-09 | 2020-12-29 | 南京信息工程大学 | 一种细粒度车辆类型识别方法 |
| CN112070048A (zh) * | 2020-09-16 | 2020-12-11 | 福州大学 | 基于RDSNet的车辆属性识别方法 |
| CN112418168A (zh) * | 2020-12-10 | 2021-02-26 | 深圳云天励飞技术股份有限公司 | 车辆识别方法、装置、系统、电子设备及存储介质 |
| CN112418168B (zh) * | 2020-12-10 | 2024-04-02 | 深圳云天励飞技术股份有限公司 | 车辆识别方法、装置、系统、电子设备及存储介质 |
| CN112949408A (zh) * | 2021-02-02 | 2021-06-11 | 华电西藏能源有限公司 | 一种过鱼通道目标鱼类实时识别方法和系统 |
| CN113159115A (zh) * | 2021-03-10 | 2021-07-23 | 中国人民解放军陆军工程大学 | 基于神经架构搜索的车辆细粒度识别方法、系统和装置 |
| CN113159115B (zh) * | 2021-03-10 | 2023-09-19 | 中国人民解放军陆军工程大学 | 基于神经架构搜索的车辆细粒度识别方法、系统和装置 |
| CN113343881A (zh) * | 2021-06-21 | 2021-09-03 | 浪潮云信息技术股份公司 | 基于深度学习的车辆品牌型号细粒度分类系统及方法 |
| CN116956214A (zh) * | 2023-07-07 | 2023-10-27 | 北京邮电大学 | 基于正则化集成学习的多模态细粒度论文分类方法和系统 |
| CN116956214B (zh) * | 2023-07-07 | 2024-10-18 | 北京邮电大学 | 基于正则化集成学习的多模态细粒度论文分类方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109214441A (zh) | 一种细粒度车型识别系统及方法 | |
| CN108460356B (zh) | 一种基于监控系统的人脸图像自动处理系统 | |
| CN110598598A (zh) | 基于有限样本集的双流卷积神经网络人体行为识别方法 | |
| CN105447473B (zh) | 一种基于PCANet-CNN的任意姿态人脸表情识别方法 | |
| CN105825511B (zh) | 一种基于深度学习的图片背景清晰度检测方法 | |
| CN106778604B (zh) | 基于匹配卷积神经网络的行人再识别方法 | |
| CN104217214A (zh) | 基于可配置卷积神经网络的rgb-d人物行为识别方法 | |
| CN106980854A (zh) | 车牌号码识别方法、装置、存储介质及处理器 | |
| CN113239784B (zh) | 一种基于空间序列特征学习的行人重识别系统及方法 | |
| CN106570477A (zh) | 基于深度学习的车型识别模型构建方法及车型识别方法 | |
| CN107766850A (zh) | 基于结合人脸属性信息的人脸识别方法 | |
| CN109063649B (zh) | 基于孪生行人对齐残差网络的行人重识别方法 | |
| CN108090472B (zh) | 基于多通道一致性特征的行人重识别方法及其系统 | |
| CN106845499A (zh) | 一种基于自然语言语义的图像目标检测方法 | |
| CN104992223A (zh) | 基于深度学习的密集人数估计方法 | |
| CN104281853A (zh) | 一种基于3d卷积神经网络的行为识别方法 | |
| CN106529446A (zh) | 基于多分块深层卷积神经网络的车型识别方法和系统 | |
| CN111753207B (zh) | 一种基于评论的神经图协同过滤方法 | |
| CN110008819A (zh) | 一种基于图卷积神经网络的人脸表情识别方法 | |
| CN111353487A (zh) | 用于变电站的设备信息提取方法 | |
| CN107247952B (zh) | 基于深层监督的循环卷积神经网络的视觉显著性检测方法 | |
| CN108875819B (zh) | 一种基于长短期记忆网络的物体和部件联合检测方法 | |
| CN107545243A (zh) | 基于深度卷积模型的黄种人脸识别方法 | |
| CN112381179A (zh) | 一种基于双层注意力机制的异质图分类方法 | |
| CN113052254A (zh) | 多重注意力幽灵残差融合分类模型及其分类方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190115 |