基于多尺度双线性卷积神经网络的多角度下车型精细识别

摘要：

针对多角度下车辆出现一定的尺度变化和形变导致很难被准确识别的问题,提出基于多尺度双线性卷积神经网络(MS-B-CNN)的车型精细识别模型.首先,对双线性卷积神经网络(B-CNN)算法进行改进,提出MS-B-CNN算法对不同卷积层的特征进行了多尺度融合,以提高特征表达能力;此外,还采用基于中心损失函数与Softmax损失函数联合学习的策略,在Softmax损失函数基础上分别对训练集每个类别在特征空间维护一个类中心,在训练过程中新增加样本时,网络会约束样本的分类中心距离,以提高多角度情况下的车型识别的能力.实验结果显示,该车型识别模型在CompCars数据集上的正确率达到了93.63％,验证了模型在多角度情况下的准确性和鲁棒性.

关键词：车型精细识别、卷积神经网络、双线性卷积神经网络、中心损失、多尺度

所属期刊栏目：39

分类号：TP391.4(计算技术、计算机技术)

资助基金：江苏省产学研前瞻性联合研究项目BY2016003-11

在线出版日期：2019-09-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：2402-2407