基于多尺度特征融合CNN模型的车辆精细型号识别

车辆精细型号是车辆识别的主要线索之一,也是智能交通系统的重要组成部分。针对车辆精细型号种类繁多、车辆所处环境复杂多变等因素,提出一种基于多尺度特征融合的车辆精细型号识别方法。该方法基于传统的卷积神经网络,通过提取并融合来自网络底层和高层的车辆特征,完成对车辆精细型号的识别。与其他基于卷积神经网络的车辆精细型号识别方法相比,该方法在提高分类准确率的同时还大幅度降低了整体网络的参数规模。实验结果表明,在公开数据集Comp Cars的监控场景下其识别精度达到了98.43%,且模型参数大小仅为3.93 MB,平均每张图片只需0.83 ms的分类时间。

基于FR-ResNet的车辆型号精细识别研究

车辆型号精细识别的关键是提取有区分性的细节特征.以\特征重用"为核心,以有效提取车辆图像细节特征并进行高效利用为目的,提出了一种基于残差网络特征重用的深度卷积神经网络模型FR-ResNet(Improved ResNet focusing on feature reuse).该网络以ResNet残差结构为基础,分别采用多尺度输入、低层特征在高层中重用和特征图权重学习策略来实现特征重用.多尺度输入可以防止网络过深导致性能退化以及陷入局部最优;对各层网络部分加以不同程度的特征重用,可以加强特征传递,高效利用特征并降低参数规模;在中低层网络部分采用特征图权重学习策略,可以有效抑制冗余特征的比重.在公开车辆数据集CompCars和StanfordCars上进行实验,并与其他的网络模型进行比较,实验结果表明FR-ResNet在车辆型号精细识别任务中对车辆姿态变化和复杂背景干扰等具有鲁棒性,获得了较高的识别准确率.