检索结果-内蒙古大学图书馆

仪器仪表学报 2020年第12期41卷 245-252页

作者：胡聪李超周甜朱爱军许川佩桂林电子科技大学电子工程与自动化学院桂林541004 桂林航天工业学院电子信息与自动化学院桂林541004 广西自动检测技术与仪器重点实验室桂林541004

随着智慧交通的快速发展,摄像头下的车辆重新识别任务受到了计算机视觉界研究者的高度关注。本文提出一种基于改进深度相对距离学习模型的车辆再识别算法。首先,针对原先深度相对距离学习框架中特征提取网络简单、难以提取车辆特征,提... 详细信息

随着智慧交通的快速发展,摄像头下的车辆重新识别任务受到了计算机视觉界研究者的高度关注。本文提出一种基于改进深度相对距离学习模型的车辆再识别算法。首先,针对原先深度相对距离学习框架中特征提取网络简单、难以提取车辆特征,提出采用RepNet网络替代原网络架构中的网络。然后,提出在模型中使用焦点损失函数Focal Loss,减少简单样本在训练中所占的权重,解决在车辆再识别数据库中常会出现的正负样本不平衡问题。最后,利用余弦相似度量判断图像之间的相似度。在VehicleID数据集上的实验表明,所提算法的模型车辆型号识别率为98.18%,较原DRDL模型提高了约14.7%,车辆颜色的识别率是96.28%。在车辆再识别任务中,所用模型的MAP值达0.709,较原模型提高约0.16,证明了所提算法的有效性。

关键词：卷积神经网络车辆再识别细粒度学习焦点损失函数

来源：评论

学校读者我要写书评

暂无评论

基于卷积神经网络的车辆再识别研究

基于卷积神经网络的车辆再识别研究

引用

作者：李超桂林电子科技大学

学位级别：硕士

随着智慧交通的快速发展,智能汽车的研发已然进行的越来越快,像自动驾驶,车路协同等需求的提出,加速了交通业新形态的产生,与此同时,道路安全愈发引起人们重视。而车辆再识别可以实现车辆的跨摄像头的定位、追踪,对于道路安全和实现智... 详细信息

随着智慧交通的快速发展,智能汽车的研发已然进行的越来越快,像自动驾驶,车路协同等需求的提出,加速了交通业新形态的产生,与此同时,道路安全愈发引起人们重视。而车辆再识别可以实现车辆的跨摄像头的定位、追踪,对于道路安全和实现智慧交通都有着重要的意义。车辆再识别问题的本质是目标再识别,与目标再识别中最经典的行人再识别不同,因为众多同一型号的车辆具有类似的视觉外观,车辆再识别会更有难度,而当唯一标记不同车辆的车牌信息无法有效获取时,人们更难区分同一种型号的汽车。因此,车辆再识别算法需要能够有效地捕捉到类间和类内的差异。本文为当车牌信息没有办法有效获取时,对车辆型号,车辆颜色,以及车窗年检标志、车身绘画甚至是划痕等特征进行提取,以解决车辆再识别问题。对此,本文提出一种基于改进深度相对距离学习模型的车辆再识别算法。首先针对原先深度相对距离学习框架中特征提取网络简单,不能更好地提取车辆特征,提出采用Rep Net网络,来替代原网络架构中的VGG CNN M 2048网络。改进后的网络模型中负责标签属性分类的粗粒度学习通道会先将车辆的颜色信息和车辆型号信息提取出来,然后通过抑制层将提取的特征对后面的细粒度相似性学习进行一定的反馈,来消除掉那些嵌入到细粒度学习通道中的粗粒度属性特征。这样既加快效率,也使模型在细粒度学习时能将注意力更多地关注在复杂特征的提取上,来提高模型的识别准确率。而在车辆再识别数据库中,常会出现明显的正负样本不平衡的状况出现,这种情况会导致训练的效率变低,甚至可能会使我们训练的模型性能退化。对此,本文提出在模型中使用焦点损失函数Focal loss,它可以减少简单样本在训练中所占的权重,来解决正负样本不均衡问题。经实验,在车辆标签属性分类中,本文设计的模型在车辆型号中识别率为98.18%,较原DRDL模型提高了约14.7%,车辆颜色的识别率达到96.28%。在车辆再识别任务中,本文采用的模型的MAP值达0.709,较原模型提高约0.16,证明了本文所提出方法的有效性。

关键词：卷积神经网络车辆再识别细粒度学习焦点损失函数

来源：评论

学校读者我要写书评

暂无评论

基于直接属性预测的零样本学习关键问题研究

基于直接属性预测的零样本学习关键问题研究

引用

作者：向磊南京信息工程大学

学位级别：硕士

零样本学习指在缺少训练样本的情况下,通过学习可见类与未见类之间共享的属性表征,将可见类的知识迁移至未见类,根据语义描述的原型实现对可见类与未见类的识别。大部分零样本数据集都是关于细微特征属性的细粒度数据集,也存有以图像整... 详细信息

零样本学习指在缺少训练样本的情况下,通过学习可见类与未见类之间共享的属性表征,将可见类的知识迁移至未见类,根据语义描述的原型实现对可见类与未见类的识别。大部分零样本数据集都是关于细微特征属性的细粒度数据集,也存有以图像整体作为属性的粗粒度数据集,学习不同粒度数据集中的属性特征表示是零样本学习研究的首要目标。进一步的,由于视觉空间与语义空间存在域偏移问题,所以将学习到的视觉特征和语义进行对齐也是零样本学习的一个挑战。本文主要针对上述问题进行了基于属性预测的零样本学习方法关键问题研究,主要工作如下: (1)目前的零样本学习方法依赖于类别原型来识别可见类与未见类,而每个类别原型是通过该类别下所有图片中每个属性出现的平均概率得到的,但实际应用中因为图片的拍摄角度和收集渠道各不相同会导致同一个类别下的图片在属性表现上存在差异,所以使用固定的类别原型表示该类别的所有图像并不合理。针对此问题,本研究提出了一种视觉引导的动态选择方法(Dynamic Visual-Guided Selection,DVGS),它通过视觉特征引导学习一个软掩码以修正对应的类别原型,通过全局特征来引导局部特征的学习,动态地发掘与任务最相关的区域,最后以细化的局部特征和类别原型进行识别可见类与未见类。在三个基准数据集上进行了大量实验,在SUN数据集上,所提方法在传统零样本学习任务上和性能排名第二的方法相比,表现出10.2%的显着优势;在传统零样本学习和广义零样本学习任务中,DVGS在CUB数据集上优于第二佳的方法4%;尽管DVGS在粗粒度数据集AWA2上表现不是最好,但是依旧取得了第二的结果,在传统零样本学习中落后最佳性能3.4%,在广义零样本学习中仅落后最佳性能1.2%。 (2)现有的基于嵌入的零样本方法通常采用注意力机制来定位图像上的属性,然而这些方法常常忽略了嵌入空间中不同属性的视觉特征之间的耦合,并且这些方法采用直接属性预测方案进行分类时,没有考虑同一类别图像中属性的视觉多样性。为了解决这些问题,本研究提出了一种双特征增强网络(Dual Feature Augmentation Network,DFAN),它用两个特征增强模块来强化视觉特征和语义特征:视觉特征增强模块显式地学习属性特征并设计了一个正则项将属性解耦,以增强视觉特征的表示;在语义特征增强模块中,提出了一个偏差学习器来捕获实际属性值和预测属性值之间的偏移量,以修正类别原型。进一步的,在视觉到语义空间的映射过程中,引入了两个预测器来协调局部特征和全局特征之间的冲突。在三个基准数据集的实验表明,在广义零样本学习任务中,DFAN在CUB数据集表现最好,在SUN和AWA2数据集上取得了第二的结果;在传统零样本学习设定下,DFAN在SUN数据集上取得了最好结果,在CUB数据集上取得了第三的结果并且仅落后最好方法0.5%。

关键词：零样本学习细粒度学习注意力机制特征解耦域偏移

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：