基于AT-PGGAN的增强数据车辆型号精细识别
目的 车型识别在智能交通、智慧安防、自动驾驶等领域具有十分重要的应用前景.而车型识别中,带标签车型数据的数量是影响车型识别的重要因素.本文以“增强数据”为核心,结合PGGAN(progressive growing of GANs)和Attention机制,提出一种基于对抗网络生成数据再分类的网络模型AT-PGGAN(attention-progressive growing of GANs),采用模型生成带标签车型图像的数量,从而提高车型识别准确率.方法 该模型由生成网络和分类网络组成,利用生成网络对训练数据进行增强扩充,利用注意力机制和标签重嵌入方法对生成网络进行优化使其生成图像细节更加完善,提出标签重标定的方法重新确定生成图像的标签数据,并对生成图像进行相应的筛选.使用扩充的图像加上原有数据集的图像作为输入训练分类网络.结果 本文模型能够很好地扩充已有的车辆图像,在公开数据集StanfordCars上,其识别准确率相比未使用AT-PGGAN模型进行数据扩充的分类网络均有1％以上的提升,在CompCars上与其他网络进行对比,本文方法在同等条件下最高准确率达到96.6％,高于对比方法.实验结果表明该方法能有效提高车辆精细识别的准确率.结论 将生成对抗网络用于对数据的扩充增强,生成图像能够很好地模拟原图像数据,对原图像数据具有正则的作用,图像数据可以使图像的细粒度识别准确率获得一定的提升,具有较大的应用前景.
细粒度识别、车型识别、生成对抗网络、注意力机制、半监督学习
25
TP391.41(计算技术、计算机技术)
国家自然科学基金项目;安徽省重点研究;开发计划项目
2020-06-22（万方平台首次上网日期，不代表论文的发表时间）
共12页
593-604
