共享型轻量级卷积神经网络实现车辆外观识别

摘要：

提出一种共享型轻量级卷积神经网络(CNN),用于自动识别车辆颜色和型号.基础网络采用改进的SqueezeNet,在训练集上比较具有不同"瘦身"程度的SqueezeNet的分类性能.讨论完全共享型网络、部分共享型网络及无共享型网络的特征.实验结果表明,完全共享型轻量级CNN在减少参数量的同时实现了对车辆外观多属性的高精度识别.在开放数据集Opendata_VRID上进行实验,车辆颜色和车型识别的准确率分别达98.5％和99.1％.在一台无GPU配置的个人计算机上,单张图片的识别时间仅为4.42 ms.共享型轻量级CNN大大减少了时间和空间成本,更有利于在资源有限的环境中进行部署.

关键词：图像处理、共享型轻量级卷积神经网络、颜色特征、型号特征、改进的SqueezeNet、车辆外观识别

所属期刊栏目：58

分类号：TP391.41(计算技术、计算机技术)

资助基金：光电信息控制;安全技术重点实验室基金项目

在线出版日期：2021-04-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：138-147