10.3778/j.issn.1002-8331.1801-0170
基于多任务卷积神经网络的车辆多属性识别
细粒度车辆识别极具挑战性,尤其在两辆车的外型差异及其细微的时候.通过车辆的附加属性能够提高车辆识别效果,但一般的神经网络模型忽略了附加属性间的联系,提出一种基于改进的triplet loss作为损失函数的车辆多属性学习的卷积神经网络,用于实现细粒度车辆多属性识别.具体而言,通过对传统神经网络结构的改变,将车辆识别问题转化为多属性学习问题.对三元组损失函数进行改进用于训练网络以实现细粒度车辆识别.同时,创建了一个车辆多属性数据集并完成训练工作,结果显示了该方法的潜力.
细粒度车辆识别、车辆多属性、多任务学习、卷积神经网络、度量学习、车辆多属性数据集
54
TP391.41(计算技术、计算机技术)
国家自然科学基金61571073
2018-05-14(万方平台首次上网日期,不代表论文的发表时间)
共7页
21-27