一种基于Bilinear-HashNet网络的车型识别方法

车型识别对于智能交通系统具有重要的意义.目前基于深度学习的车型识别技术通常采用卷积神经网络来进行图像分类,这一类方法对于已训练的车型类别具有较好的识别效果,但是对于未训练数据类型就无能为力了.针对这一缺点,本文设计了Bilinear-HashNet网络,该网络以Hash Net为基础,使用双线性模块替换Hash Net中的AlexNet部分,使网络具有提取精细粒度特征的能力;并根据提取到的特征生成哈希码,再通过哈希码的匹配实现车型识别.实验证明,基于Bilinear-HashNet的车型识别方法对已训练和未训练的车辆类型都能取得较好的效果.

基于深度哈希网络的车型识别方法

针对车型识别任务的特点,设计了一种基于深度哈希网络的车型识别方法,实现了在类间差异不明显、样本量较少的情况下进行车型检索和分类。对数据增广方法进行研究,针对车型数据集的特点,提出了适用于车型识别的数据增广方法,有效提升了小样本车型识别的准确率。深度哈希网络采用改进的HashNet网络来快速学习车辆的二值特征表达,针对深度哈希网络使用全连接层导致参数过多的问题,提出了HashNet-GAP网络,以全局平均池化层替换了HashNet中的部分全连接层。相对于HashNet网络,大幅度减少了参数数量,提升了前向计算速度和网络性能。实验结果表明,该车型识别方法能够对类间差距很小的不同车型进行有效识别,在小样本数据集上取得80.0%的Top1准确率,并且能够显著降低模型的存储消耗和内存消耗。