区域建议网络的细粒度车型识别
目的 细粒度车型识别旨在通过任意角度及场景下的车辆外观图像识别出其生产厂家、品牌型号、年款等信息,在智慧交通、安防等领域具有重要意义.针对该问题,目前主流方法已由手工特征提取向卷积神经网络为代表的深度学习方法过渡.但该类方法仍存在弊端,首先是识别时须指定车辆的具体位置,其次是无法充分利用细粒度目标识别其视觉差异主要集中在关键的目标局部的特点.为解决这些问题,提出基于区域建议网络的细粒度识别方法,并成功应用于车型识别.方法 区域建议网络是一种全卷积神经网络,该方法首先通过卷积神经网络提取图像深层卷积特征,然后在卷积特征上滑窗产生区域候选,之后将区域候选的特征经分类层及回归层得到其为目标的概率及目标的位置,最后将这些区域候选通过目标检测网络获取其具体类别及目标的精确位置,并通过非极大值抑制算法得到最终识别结果.结果 该方法在斯坦福BMW-10数据集的识别准确率为76.38％,在斯坦福Cars-196数据集识别准确率为91.48％,不仅大幅领先于传统手工特征方法,也取得了与目前最优的方法相当的识别性能.该方法同时在真实自然场景中取得了优异的识别效果.结论 区域建议网络不仅为目标检测提供了目标的具体位置,而且提供了具有区分度的局部区域,为细粒度目标识别提供了一种新的思路.该方法克服了传统目标识别对于目标位置的依赖,并且能够实现一图多车等复杂场景下的车型细粒度识别,具有更好的鲁棒性及实用性.
深度学习、卷积神经网络、车型识别、细粒度分类、图像分类
23
TP391(计算技术、计算机技术)
国家自然科学基金面上项目61672202;中国博士后基金项目2014M561817National Natural Science Foundation of China61672202
2018-07-20（万方平台首次上网日期，不代表论文的发表时间）
共9页
837-845
