CN105740906B - 一种基于深度学习的车辆多属性联合分析方法 - Google Patents
一种基于深度学习的车辆多属性联合分析方法 Download PDFInfo
- Publication number
- CN105740906B CN105740906B CN201610067290.0A CN201610067290A CN105740906B CN 105740906 B CN105740906 B CN 105740906B CN 201610067290 A CN201610067290 A CN 201610067290A CN 105740906 B CN105740906 B CN 105740906B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- attribute
- task
- characteristic pattern
- dimension
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于深度学习的车辆多属性联合分析方法,属于车辆多属性联合分析技术领域。在该方法中,首先,对车辆数据静态图像进行多属性标注并完成挑选整理,包括离散特征:车辆类别、车型、车门数量、车座数量;以及连续特征:排气量、最大时速;然后,将训练数据集送入深度卷积神经网络进行特征图的提取以及Pooling运算;最后,采用改进的多属性联合分析方法对模型进行主辅任务优化训练。本方法把多任务学习思想引入进深度卷积神经网络中,梯度性地提升了网络的整体性能;对多任务学习方法进行改进,增强了权值共享的全局性,最大限度地实现了各类任务之间的监听效果;将最前沿的深度学习网络模型应用于车辆分析领域,具有应用价值和推广前景。
Description
技术领域
本发明属于车辆多属性联合分析技术领域,涉及一种基于深度学习的车辆多属性联合分析方法。
背景技术
车辆多属性联合分析已成为图像处理、计算机视觉分析领域的新兴研究方向,对车辆属性的分析,是智能交通的一项关键技术,此技术通过对实际城市交通道路中的各类车辆图像数据进行多任务学习,可实现车辆(车系、车辆厂商)分类、车型识别、车辆座椅及车门数量预测等多种功能,具有重要应用价值和社会意义。
车辆属性分析的方法有很多,但将目前最新的深度学习方法应用于此领域的技术却很少。专利CN104992147A将深度学习与云计算应用于车牌识别,CN104657752A在安全带的佩戴识别方面采用了深度学习方法,采用hough和haar特征对主、副驾驶区域进行分割,进而判断识别,CN104391966A实现了基于深度学习的典型车标搜索方法,建立了深度置信网络,对圆形及椭圆形车标分别进行了分类处理,CN104112144A是利用深度学习技术对目标的梯度值进行深度学习,再通过SVM作为分类器,进而对人和车进行识别。
现有技术都是将深度学习直接应用于车辆某个单一属性的分析中,这样其实是并没有完全发挥深度神经网络的优势功能,很大程度上限制了其强大的学习深度特征的能力,因此将多任务学习的思想引入深度学习方法是今后的重点发展方向。同时,深层网络中的权值共享策略是多任务学习方法区别于其它单任务学习的最明显特点,而如何能够将这种共享机制最大化地发挥出来也同样是难点所在,是急需考察的待解决问题。
发明内容
有鉴于此,本发明提供了一种基于深度学习的车辆多属性联合分析方法,该方法以深度学习网络为基础理论设计方案框架,进而引入多任务联合训练机制,建立复杂的多属性内部监听网络结构,并对现有的权值共享方法进行改进,优化权值间的学习效率和鲁棒性。
本发明的具体技术方案如下:
一种基于深度学习的车辆多属性联合分析方法,在该方法中,首先,对车辆数据静态图像进行多属性标注并完成挑选整理,包括离散特征:车辆类别(车系model级、生产厂商make级)、车型、车门数量、车座数量;以及连续特征:排气量、最大时速;然后,将训练数据集送入深度卷积神经网络进行特征图的提取以及Pooling运算;最后,采用改进的多属性联合分析方法对模型进行主辅任务优化训练。
进一步,该方法具体包括以下步骤:
S1:将多任务学习方法引入深度卷积神经网络训练模型;
S2:构建多属性联合分析深层网络;
S3:改进多属性训练的内部监听机制以增强权值共享。
进一步,所述步骤S1包括:
S11:准备多属性的标注数据:对采集的车辆训练数据进行多标签的标注,使其含有多种属性;本发明采用文献“A Large-Scale Car Dataset for Fine-GrainedCategorization and Verification”中所提供的最新公共数据集CompCars作为验证本发明方法有效性的数据支撑;
S12:提取已完成分类的有效可用数据并进行详尽整理,包括:
S121:按照model(车系)级别将车辆分为431类,训练集和测试集图片数量分别为16,016张和14,939张,且训练集已经被随机化;
S122:按照车辆方向属性共分为F(front)、R(rear)、S(side)、FS(front-side)和RS(rear-side)共4类,其中F方向上的训练集和测试集图片数量分别为2,593张和2,381张;
S123:按照车型属性共细划分为12种类别,分别为:MPV、SUV、掀背式车、轿车、小巴的士、溜背型轿车、连箱式车、皮卡、运动型轿车、跨界车、敞篷车和硬顶敞篷车,其中F方向上的训练集和测试集图片数量分别为2,524张和2,315张;
S124:按照车门数量属性共分为4类,分别为:2门、3门、4门以及5门,其在F方向上的训练集和测试集中数据的数量分布情况与车型属性相同。
进一步,在步骤S2中,选取F方向(不仅于此方向)上的车辆数据进行算法验证,并将此方向上车辆的model类别作为主要任务进行训练和测试,车型属性以及车门数量属性作为两项辅助学习任务依次加入本网络中,从而实现多任务联合学习的深度学习网络,具体包括:
本方法中所用的深度学习网络共含有5个卷积层,2个全连接层以及1个判断输出层;其中,每一层提取出的特征图,先与卷积核函数进行卷积后,再进行池化降维操作,最后被输入送进到下一层;每层的详细参数如下:第一卷积层的特征图数量为96个,每个特征图的大小为27*27维,卷积核为11*11维,池化层为3*3维;第二卷积层的特征图数量为256个,每个特征图的大小为12*12维,卷积核为5*5维,池化层为3*3维;第三卷积层的特征图数量为384个,每个特征图的大小为11*11维,卷积核为3*3维;第四卷积层的特征图数量为384个,每个特征图的大小为10*10维,卷积核为3*3维;第五卷积层的特征图数量为256个,每个特征图的大小为5*5维,卷积核为3*3维,池化层为3*3维;最后两层全连接层分别为4096维和1024维。
进一步,在步骤S3中,本方法将任务进行主、辅分离,即将主要任务d车辆的model类别作为优化的目标,其他的所有相关任务r∈R作为辅助任务;此处的辅助学习分类属性包括:车型属性、车门数量属性、车辆拍摄方向角度;对于多属性联合分析方法的改进如以下公式所示:
本方法更加体现了将多任务学习算法应用在深度学习中的优势,在整体学习网络结构中共享了相同的输入层数据xi,增强了多任务间的内部监听效果。与之相反的,传统方法对于不同的学习任务所采用的输入数据是各不相同的。本发明中的网络结构更加能够发挥出多任务学习机制的优势,即所有任务共享同一辆车的不同特征属性。此外,主辅任务相分离也能够更好的将任务进行单独处理,增加了不同任务学习方式的多样性。
本发明的有益效果在于:1)建立了多属性任务联合学习的训练机制,把多任务学习思想引入进深度卷积神经网络中,梯度性地提升了网络的整体性能;2)对多任务学习方法进行改进,增强了权值共享的实际应用价值,并对所需学习任务进行了主辅分离处理,最大限度地实现了各类任务之间的监听效果;3)将最前沿的深度学习网络模型应用于车辆分析领域,设计了解决方案并取得了良好的效果,具有应用价值和推广前景。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为本发明的总体流程图;
图2为网络结构图;
图3为方法验证结果图。
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
图1为本发明的总体流程图,本发明以深度学习网络为基础理论设计方案框架,进而引入多任务联合训练机制,建立复杂的多属性内部监听网络结构,并对现有的权值共享方法进行改进,优化权值间的学习效率和鲁棒性。首先,对车辆数据静态图像进行多属性标注并完成挑选整理,包括离散特征如:车辆类别(车系model级、生产厂商make级)、车型、车门数量、车座数量,以及连续特征如:排气量、最大时速等;然后,将训练数据集送入深度卷积神经网络进行特征图的提取以及Pooling运算;最后,采用本发明中改进的多属性联合分析方法对模型进行主辅任务优化训练。
具体来说:本方法主要分为三个步骤:(1)将多任务学习方法引入深度卷积神经网络训练模型。(2)构建多属性联合分析深层网络。(3)改进多属性训练的内部监听机制以增强权值共享。
步骤1:将多任务学习方法引入深度卷积神经网络训练模型
步骤11,准备多属性的标注数据:对采集的车辆训练数据进行多标签的标注,使其含有多种属性,本发明采用文献“A Large-Scale Car Dataset for Fine-GrainedCategorization and Verification”中所提供的最新公共数据集CompCars作为验证本发明方法有效性的数据支撑。
步骤12,提取已完成分类的有效可用数据并进行详尽整理:
步骤121,按照model(车系)级别将车辆分为431类,训练集和测试集图片数量分别为16,016张和14,939张,且训练集已经被随机化。
步骤122,按照车辆方向属性共分为F(front)、R(rear)、S(side)、FS(front-side)和RS(rear-side)共4类,其中F方向上的训练集和测试集图片数量分别为2,593张和2,381张。
步骤123,按照车型属性共细划分为12种类别,分别为:MPV、SUV、掀背式车、轿车、小巴的士、溜背型轿车、连箱式车、皮卡、运动型轿车、跨界车、敞篷车和硬顶敞篷车,其中F方向上的训练集和测试集图片数量分别为2,524张和2,315张。
步骤124,按照车门数量属性共分为4类,分别为:2门、3门、4门以及5门,其在F方向上的训练集和测试集中数据的数量分布情况与车型属性相同。
步骤2:构建多属性联合分析深层网络
本方法选取F方向(不仅于此方向)上的车辆数据进行算法验证,并将此方向上车辆的model类别作为主要任务进行训练和测试,车型属性以及车门数量属性作为两项辅助学习任务依次加入本网络中,从而实现多任务联合学习的深度学习网络。
该方法的网络框架图如图2所示,其中,输入的训练数据的批处理数量设置为128,图片在送到数据输入层之前会被预处理框剪切成227×227像素大小。本网络结构中,共包含五个卷积层,两层全连接层,以及一个判别输出层。
具体地,发明中所用的深度学习网络共含有5个卷积层,2个全连接层以及1个判断输出层。其中,每一层提取出的特征图,先与卷积核函数进行卷积后,再进行池化降维操作,最后被输入送进到下一层。每层的详细参数如下:第一卷积层的特征图数量为96个,每个特征图的大小为27*27维,卷积核为11*11维,池化层为3*3维;第二卷积层的特征图数量为256个,每个特征图的大小为12*12维,卷积核为5*5维,池化层为3*3维;第三卷积层的特征图数量为384个,每个特征图的大小为11*11维,卷积核为3*3维;第四卷积层的特征图数量为384个,每个特征图的大小为10*10维,卷积核为3*3维;第五卷积层的特征图数量为256个,每个特征图的大小为5*5维,卷积核为3*3维,池化层为3*3维;最后两层全连接层分别为4096维和1024维。
步骤3:改进多属性训练的内部监听机制以增强权值共享
步骤31,传统方法的不足分析:
传统方法是将网络中的所有不同任务进行联合学习,旨在最大化具有相关性的所有多任务的整体性能。假设现在我们有T个不同种类的待学习任务,对于每一个任务t,都有一个自己的训练集其中Nt表示该训练集中的数据对数量,t={1,…,T},i={1,…,Nt},为特征向量,为每张图片对应的标注结果。所以,一般的多任务学习方法是一个优化问题,如公式(1)所示:
其中,W=(w1,…,wt)为系数矩阵,L(·,·)为定义的损失函数,R(·)为正则化项用以对不同稀疏模型W的复杂度进行惩罚,系数λ用来控制正则化的程度。
该方法的问题在于:不同的任务输入特征数据是不同的,所有任务一同进行处理,没有将主、辅任务相分离,各层间的权值没有实现全局共享的最大化效果,训练方式比较单一。
步骤32,本发明的算法改进策略:
综上所述,传统的多任务学习方法是对所有的学习任务T进行整体的优化,针对此问题,本方法将任务进行主、辅分离,即我们将主要任务d车辆的model类别作为优化的目标,其他的所有相关任务r∈R作为辅助任务。此处的辅助学习分类属性包括:车型属性、车门数量属性、车辆拍摄方向角度等。因此,本发明对于多属性联合分析方法的改进如公式(2)所示:
可以看出,公式(2)在输入数据的处理方面,以及层间权值共享策略等方面,与公式(1)相比较是有所不同的。具体地,本方法更加体现了将多任务学习算法应用在深度学习中的优势,在整体学习网络结构中共享了相同的输入层数据xi,增强了多任务间的内部监听效果。与之相反的,传统方法对于不同的学习任务所采用的输入数据是各不相同的。本发明中的网络结构更加能够发挥出多任务学习机制的优势,即所有任务共享同一辆车的不同特征属性。此外,主辅任务相分离也能够更好的将任务进行单独处理,增加了不同任务学习方式的多样性。
步骤33,实验对比设计
本方法的验证结果分别如图3所示。可以看出,随着辅助学习任务即车型和车门数量两种属性特征的逐步加入,对于车辆(model级别)分类这一主要学习任务的测试准确率不断提高。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (4)
1.一种基于深度学习的车辆多属性联合分析方法,其特征在于:在该方法中,首先,对车辆数据静态图像进行多属性标注并完成挑选整理,包括离散特征:车辆类别、车型、车门数量、车座数量;以及连续特征:排气量、最大时速;然后,将训练数据集送入深度卷积神经网络进行特征图的提取以及Pooling运算;最后,采用改进的多属性联合分析方法对模型进行主辅任务优化训练;
该方法具体包括以下步骤:
S1:将多任务学习方法引入深度卷积神经网络训练模型;
S2:构建多属性联合分析深层网络;
S3:改进多属性训练的内部监听机制以增强权值共享。
2.根据权利要求1所述的一种基于深度学习的车辆多属性联合分析方法,其特征在于:所述步骤S1包括:
S11:准备多属性的标注数据:对采集的车辆训练数据进行多标签的标注,使其含有多种属性;
S12:提取已完成分类的有效可用数据并进行详尽整理,包括:
S121:按照车系级别将车辆分为431类,训练集和测试集图片数量分别为16,016张和14,939张,且训练集已经被随机化;
S122:按照车辆方向属性共分为F(front)、R(rear)、S(side)、FS(front-side)和RS(rear-side)共4类,其中F方向上的训练集和测试集图片数量分别为2,593张和2,381张;
S123:按照车型属性共细划分为12种类别,分别为:MPV、SUV、掀背式车、轿车、小巴的士、溜背型轿车、连箱式车、皮卡、运动型轿车、跨界车、敞篷车和硬顶敞篷车,其中F方向上的训练集和测试集图片数量分别为2,524张和2,315张;
S124:按照车门数量属性共分为4类,分别为:2门、3门、4门以及5门,其在F方向上的训练集和测试集中数据的数量分布情况与车型属性相同。
3.根据权利要求2所述的一种基于深度学习的车辆多属性联合分析方法,其特征在于:在步骤S2中,选取不限于F方向上的车辆数据进行算法验证,并将此方向上车辆的model类别作为主要任务进行训练和测试,车型属性以及车门数量属性作为两项辅助学习任务依次加入本网络中,从而实现多任务联合学习的深度学习网络,具体包括:
本方法中所用的深度学习网络共含有5个卷积层,2个全连接层以及1个判断输出层;其中,每一层提取出的特征图,先与卷积核函数进行卷积后,再进行池化降维操作,最后被输入送进到下一层;每层的详细参数如下:第一卷积层的特征图数量为96个,每个特征图的大小为27*27维,卷积核为11*11维,池化层为3*3维;第二卷积层的特征图数量为256个,每个特征图的大小为12*12维,卷积核为5*5维,池化层为3*3维;第三卷积层的特征图数量为384个,每个特征图的大小为11*11维,卷积核为3*3维;第四卷积层的特征图数量为384个,每个特征图的大小为10*10维,卷积核为3*3维;第五卷积层的特征图数量为256个,每个特征图的大小为5*5维,卷积核为3*3维,池化层为3*3维;最后两层全连接层分别为4096维和1024维。
4.根据权利要求2所述的一种基于深度学习的车辆多属性联合分析方法,其特征在于:在步骤S3中,本方法将任务进行主、辅分离,即将主要任务d车辆的model类别作为优化的目标,其他的所有相关任务r∈R作为辅助任务;此处的辅助学习分类属性包括:车型属性、车门数量属性、车辆拍摄方向角度;对于多属性联合分析方法的改进如以下公式所示:
有T个不同种类的待学习任务,对于每一个任务t,都有一个自己的训练集其中Nt表示该训练集中的数据对数量,t={1,…,T},i={1,…,Nt},为特征向量,为每张图片对应的标注结果,W=(w1,…,wt)为系数矩阵,L(·,·)为定义的损失函数,R(·)为正则化项用以对不同稀疏模型W的复杂度进行惩罚,系数λ用来控制正则化的程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610067290.0A CN105740906B (zh) | 2016-01-29 | 2016-01-29 | 一种基于深度学习的车辆多属性联合分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610067290.0A CN105740906B (zh) | 2016-01-29 | 2016-01-29 | 一种基于深度学习的车辆多属性联合分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105740906A CN105740906A (zh) | 2016-07-06 |
CN105740906B true CN105740906B (zh) | 2019-04-02 |
Family
ID=56247242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610067290.0A Expired - Fee Related CN105740906B (zh) | 2016-01-29 | 2016-01-29 | 一种基于深度学习的车辆多属性联合分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105740906B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860826A (zh) * | 2016-11-17 | 2020-10-30 | 北京图森智途科技有限公司 | 一种低计算能力处理设备的图像数据处理方法及装置 |
CN106599869B (zh) * | 2016-12-22 | 2019-12-03 | 安徽大学 | 一种基于多任务卷积神经网络的车辆属性识别方法 |
CN106874840B (zh) * | 2016-12-30 | 2019-10-22 | 东软集团股份有限公司 | 车辆信息识别方法及装置 |
CN106886573A (zh) * | 2017-01-19 | 2017-06-23 | 博康智能信息技术有限公司 | 一种图像检索方法及装置 |
CN106874418A (zh) * | 2017-01-24 | 2017-06-20 | 成都容豪电子信息科技有限公司 | 一种服务于深度学习的汽车型号数据集建立方法 |
US10366430B2 (en) * | 2017-02-06 | 2019-07-30 | Qualcomm Incorporated | Systems and methods for customizing amenities in shared vehicles |
US10474908B2 (en) * | 2017-07-06 | 2019-11-12 | GM Global Technology Operations LLC | Unified deep convolutional neural net for free-space estimation, object detection and object pose estimation |
US11341631B2 (en) | 2017-08-09 | 2022-05-24 | Shenzhen Keya Medical Technology Corporation | System and method for automatically detecting a physiological condition from a medical image of a patient |
CN107909016B (zh) * | 2017-11-03 | 2020-09-01 | 车智互联(北京)科技有限公司 | 一种卷积神经网络生成方法及车系识别方法 |
CN108171254A (zh) * | 2017-11-22 | 2018-06-15 | 北京达佳互联信息技术有限公司 | 图像标签确定方法、装置及终端 |
CN108647700B (zh) * | 2018-04-14 | 2021-08-03 | 华中科技大学 | 基于深度学习的多任务车辆部件识别模型、方法和系统 |
CN108664924B (zh) * | 2018-05-10 | 2022-07-08 | 东南大学 | 一种基于卷积神经网络的多标签物体识别方法 |
CN109308495B (zh) * | 2018-07-05 | 2021-07-02 | 科亚医疗科技股份有限公司 | 从患者的医学图像自动预测生理状况的装置和系统 |
CN109447171A (zh) * | 2018-11-05 | 2019-03-08 | 电子科技大学 | 一种基于深度学习的车辆姿态分类方法 |
CN109685213B (zh) * | 2018-12-29 | 2022-01-07 | 百度在线网络技术(北京)有限公司 | 一种训练样本数据的获取方法、装置和终端设备 |
CN109886147A (zh) * | 2019-01-29 | 2019-06-14 | 电子科技大学 | 一种基于单网络多任务学习的车辆多属性检测方法 |
CN109902018B (zh) * | 2019-03-08 | 2021-12-31 | 同济大学 | 一种智能驾驶系统测试案例的获取方法 |
CN110209857B (zh) * | 2019-05-23 | 2022-04-22 | 厦门市美亚柏科信息股份有限公司 | 基于神经网络结构搜索的车辆多属性识别方法、装置、介质 |
CN110991337B (zh) * | 2019-12-02 | 2023-08-25 | 山东浪潮科学研究院有限公司 | 一种基于自适应双路检测网络的车辆检测方法 |
CN111340004A (zh) * | 2020-03-27 | 2020-06-26 | 北京爱笔科技有限公司 | 一种车辆图像识别的方法和相关装置 |
CN111523579B (zh) * | 2020-04-14 | 2022-05-03 | 燕山大学 | 一种基于改进深度学习的车型识别方法及系统 |
CN112949837B (zh) * | 2021-04-13 | 2022-11-11 | 中国人民武装警察部队警官学院 | 一种基于可信网络的目标识别联邦深度学习方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1694130A (zh) * | 2005-03-24 | 2005-11-09 | 上海大学 | 基于三路并行人工神经网络的移动号牌识别方法 |
CN104657748A (zh) * | 2015-02-06 | 2015-05-27 | 中国石油大学(华东) | 一种基于卷积神经网络的车型识别方法 |
CN104899921A (zh) * | 2015-06-04 | 2015-09-09 | 杭州电子科技大学 | 基于多模态自编码模型的单视角视频人体姿态恢复方法 |
CN105260356A (zh) * | 2015-10-10 | 2016-01-20 | 西安交通大学 | 基于多任务学习的中文交互文本情感与话题识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL162878A0 (en) * | 2004-07-06 | 2005-11-20 | Hi Tech Solutions Ltd | Multi-level neural network based characters identification method and system |
-
2016
- 2016-01-29 CN CN201610067290.0A patent/CN105740906B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1694130A (zh) * | 2005-03-24 | 2005-11-09 | 上海大学 | 基于三路并行人工神经网络的移动号牌识别方法 |
CN104657748A (zh) * | 2015-02-06 | 2015-05-27 | 中国石油大学(华东) | 一种基于卷积神经网络的车型识别方法 |
CN104899921A (zh) * | 2015-06-04 | 2015-09-09 | 杭州电子科技大学 | 基于多模态自编码模型的单视角视频人体姿态恢复方法 |
CN105260356A (zh) * | 2015-10-10 | 2016-01-20 | 西安交通大学 | 基于多任务学习的中文交互文本情感与话题识别方法 |
Non-Patent Citations (1)
Title |
---|
Multi-task CNN modls for attribute prediction;Abdulnabi A et al.;《IEEE Transactions on Multimedia》;20151130;第17卷(第11期);第1949-1959页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105740906A (zh) | 2016-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105740906B (zh) | 一种基于深度学习的车辆多属性联合分析方法 | |
CN108875674B (zh) | 一种基于多列融合卷积神经网络的驾驶员行为识别方法 | |
CN103955702B (zh) | 基于深度rbf网络的sar图像地物分类方法 | |
US20160224903A1 (en) | Hyper-parameter selection for deep convolutional networks | |
CN103177458B (zh) | 一种基于频域分析的可见光遥感图像感兴趣区域检测方法 | |
CN106203330A (zh) | 一种基于卷积神经网络的车辆分类方法 | |
CN107977677A (zh) | 一种应用于大规模城区重建中的多标签像素分类方法 | |
CN106056157A (zh) | 基于空‑谱信息的高光谱图像半监督分类方法 | |
CN111523579B (zh) | 一种基于改进深度学习的车型识别方法及系统 | |
CN109635784A (zh) | 基于改进的卷积神经网络的交通标志识别方法 | |
CN102915453B (zh) | 一种实时反馈更新的车辆检测方法 | |
CN111582178B (zh) | 基于多方位信息和多分支神经网络车辆重识别方法及系统 | |
CN104463194A (zh) | 一种人车分类方法及装置 | |
CN106845387A (zh) | 基于自学习的行人检测方法 | |
CN112016556A (zh) | 多类型车牌识别方法 | |
CN104966075A (zh) | 一种基于二维判别特征的人脸识别方法与系统 | |
Kollapudi et al. | A New Method for Scene Classification from the Remote Sensing Images. | |
CN111797936B (zh) | 基于显著性检测和多层次特征融合的图像情感分类方法及装置 | |
CN110334572B (zh) | 一种多角度下车型精细识别方法 | |
CN106886757A (zh) | 一种基于先验概率图的多类交通灯检测方法及系统 | |
CN107122708A (zh) | 基于卷积神经网络与超限学习机的高光谱图像分类算法 | |
CN105046323A (zh) | 一种正则化rbf网络多标签分类方法 | |
Wu et al. | Traffic sign detection based on SSD combined with receptive field module and path aggregation network | |
CN112257650A (zh) | 一种乘客画像方法、装置、存储介质及电子设备 | |
CN113177528B (zh) | 基于多任务学习策略训练网络模型的车牌识别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190402 Termination date: 20210129 |