基于部件关注DenseNet的细粒度车型识别

摘要：

针对细粒度车型识别率低,车型区别主要集中在鉴别性部件上以及深度学习不能有效对部件进行关注的问题,提出一种基于部件关注DenseNet(part-focused DenseNet,PF-DenseNet)的细粒度车型识别模型.该模型可以基于细粒度车型的车灯、车标等区分性部件进行有效分类,通过处理层(process layer)对车型部件信息反复加强提取并进行最大池化下采样,获取更多的车型部件信息,然后通过密集卷积对特征通道进一步复用提取,密集卷积前嵌入独立组件(independent component,IC)层,获得相对独立的神经元,增强网络独立性,提高模型的收敛极限.实验结果表明,该模型在Stanford cars-196数据集上的识别准确率、查全率和F1分别达到95.0％、94.9％和94.8％,高于经典卷积神经网络,并具有较小的参数量,与其他方法相比实现了最高准确率,验证了该车型识别模型的有效性.

关键词：细粒度车型识别、部件关注、密集连接网络、独立组件、数据增强、深度学习、特征提取、特征复用

所属期刊栏目：17

分类号：TP391(计算技术、计算机技术)

资助基金：山西省自然科学基金;山西省应用基础研究项目

在线出版日期：2022-04-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：402-410