高分辨率图像分类方法在直播汽车车型识别场景中的应用

面临汽车市场疲软带来的销量下降、客户结构改变带来的获客成本增加和线下流量稀缺等压力,传统车企迫切地需要进行数字化改革,汽车直播逐渐成为汽车厂商引流的重要方式。为精准捕捉销售线索和分析产品反馈,直播平台和车辆销售方需要将正在直播的车型与每个直播观众的反馈及直播数据相对应,因此有效识别正在直播中的车型成为亟待解决的问题。直播过程中通常会在车牌位置显示车型,这是一个高分辨率图像中的强信号场景,而传统图像处理方法对此类场景的训练效果不佳。本文借鉴目标检索方法,针对标注数据有限的强信号场景,采用相对简单的图像分类模型,应用迁移学习以解决标注样本少且资源有限的问题,并创建基于IoUB Loss损失函数的边界框回归以更精准地确定车牌区域,最终将该模型应用于汽车直播场景。以抖音直播平台奥迪汽车直播过程中的车辆图像进行训练,本文模型在测试集图像数据中的预测精度达47.4%。将本文模型与传统图像处理模型和经典Faster RCNN模型进行对比,发现本文模型已具备相较经典Faster RCNN模型更优的效果,具有一定的现实作用,可协助直播平台和车辆销售方在业务中更为简单高效地处理直播车型识别问题。