CN106682649A - 一种基于深度学习的车型识别方法 - Google Patents
一种基于深度学习的车型识别方法 Download PDFInfo
- Publication number
- CN106682649A CN106682649A CN201710053329.8A CN201710053329A CN106682649A CN 106682649 A CN106682649 A CN 106682649A CN 201710053329 A CN201710053329 A CN 201710053329A CN 106682649 A CN106682649 A CN 106682649A
- Authority
- CN
- China
- Prior art keywords
- layer
- model
- image
- vehicle
- pixel
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的车型识别方法,包括:A.将数据库中针对同一型号车辆的多角度图像划分并存储至训练集和验证集,并将其压缩成预设范围像素的数据集;B.将预设范围像素的数据集导入深度卷积神经网络中进行卷积运算,从而提取每一型号车辆的特征向量;C将每一型号车辆的特征向量与训练集中的图像的实际值计算方差,当方差大于第一阈值时,反馈调节深度卷积神经网络中各个卷积核的权重;D.每重复B步骤和C步骤,将验证集中的图像与提取的多个特征向量进行比对,获得损失率,直至损失率稳定在小于第二阈值时,停止重复B步骤和C步骤,获得包含多个特征向量的识别模型,提高了识别的准确性和识别的效率。
Description
技术领域
本发明涉及人工智能识别技术领域,尤其涉及一种基于深度学习的车型识别方法。
背景技术
随着社会的发展,汽车成为了人类日常生活中越来越重要的一部分,汽车越来越受到人们的关注。汽车已经逐渐成为人类日常生活中越来越重要的一部分,当出现肇事逃逸时,现有通过电子眼对汽车进行识别时,仅仅能够拍摄到模糊的大致图像,因此非常有必要发展车辆识别方法,然而在车辆识别领域还存在很大缺陷,如识别效率低,识别精度低等问题。
发明内容
本发明实施例通过提供一种基于深度学习的车型识别方法,解决了现有技术中车辆识别领域存在识别效率低、识别精度不高的技术问题。
为了解决上述技术问题,本发明实施例提供了一种基于深度学习的车型识别方法,包括如下内容:
A.将数据库中针对同一型号车辆的多角度图像划分并存储至训练集和验证集,并将其压缩成预设范围像素的数据集,计算其像素均值;
B.将所述预设范围像素的数据集以及像素均值信息导入深度卷积神经网络中进行卷积运算,从而提取每一型号车辆的特征向量;
C.将每一型号车辆的特征向量与训练集中的图像的实际值计算方差,当方差大于第一阈值时,反馈调节深度卷积神经网络中各个卷积核的权重;
D.通过每重复B步骤和C步骤之后,将验证集中的图像与提取的多个特征向量进行比对,获得损失率,直至所述损失率稳定在小于第二阈值时,停止重复B步骤和C步骤,获得包含多个特征向量的识别模型,作为用来识别匹配的标准。
进一步地,在D步骤之后,还包括:
对待识别车辆图像提取特征向量,将所述特征向量与所述识别模型进行比对,根据比对成功的识别模型,获得待识别车辆的型号。
采用本发明中的一个或者多个技术方案,具有如下有益效果:
1、由于采用深度卷积神经网络对数据库中的多角度图像进行卷积运算,从而提取出每一型号车辆的特征向量,然后,对每一型号车辆的特征向量与训练集中的图像的实际值计算方差,当方差大于第一阈值时,反馈调节深度卷积神经网络中各个卷积核的权重,最后,在多次重复训练之后,将验证集中的图像与提取的多个特征向量进行比对,获得损失率,直至损失率稳定在小于预设常数值时,停止重复训练,获得包含多个特征向量的识别模型,因此,通过上述方式获得的识别模型来作为识别匹配的标准,能够保证识别的准确性。
2、由于在将多角度图像导入深度卷积神经网络中进行卷积运算时,对多角度图像压缩成预设范围像素的数据集,并计算其像素均值,能够提高训练速度。
附图说明
图1为本发明实施例中基于深度学习的车型识别方法的步骤流程示意图;
图2为本发明实施例中在深度卷积神经网络的至少九层卷积层中进行卷积运算的流程图。
具体实施方式
本发明实施例通过提供一种基于深度学习的车型识别方法,解决了现有技术中车辆识别领域存在识别效率低,识别精度不高的技术问题。
为了解决上述技术问题,下面将结合说明书附图以及具体的实施方式对本发明的技术方案进行详细的说明。
本发明是基于人脑视觉系统的启发产生的构思。具体地,人脑视觉系统的信息处理的发现激发了人们对于神经系统的进一步思考。神经-中枢-大脑的工作过程,或许是一个不断迭代、不断抽象的过程。这里的关键词有两个,一个是抽象,一个是迭代。从原始信号,做低级抽象,逐渐向高级抽象迭代。人类的逻辑思维,经常使用高度抽象的概念。深度学习通过借鉴次过程,让机器自动学习良好的特征,而免去人工选取过程,还有参考人的分层视觉处理系统。因此深度学习需要更多层来获得更抽象的特征表达式。在进行车辆识别实验时发现,当神经网络的层数小于8层时,所训练出的模型正确率很低,当层数等于8层时正确率依旧不太理想。当层数大于8层时,正确率有了明显的提高。在实际生活中9层。在使用我们构建的数据集(988个车型,近9万张照片)进行训练和测试时,第一次命中的正确率达到百分之九十以上,相比之前8层时百分之七十几的正确率,有了明显的提高。
同时在对尺寸较大的图像进行识别时,由于传统的车辆识别的尺寸都是不超过256x256的,在对一些尺寸比较大的图像中的车辆进行识别时存在一定的不足,以及传统的车辆识别存在很强的局部性,比如只能识别正面照等局限性,以及识别精度低等问题。
本发明实施例提供了一种基于深度学习的车型识别方法,如图1所示,包括如下内容:A.将数据库中针对同一型号车辆的多角度图像划分并存储至训练集和验证集,并将其压缩成预设范围像素的数据集,计算其像素均值;B.将该预设范围像素的数据集以及像素均值信息导入深度卷积神经网络中进行卷积运算,提取每一型号车辆的特征向量;C.将每一型号车辆的特征向量与训练集中的图像的实际值计算方差,方差大于第一阈值时,反馈调节深度卷积神经网络中各个卷积核的权重;D.通过每重复B步骤和C步骤之后,将验证集中的图像与提取的多个特征向量进行比对,获得损失率,直至该损失率稳定在小于第二阈值时,停止重复B步骤和C步骤,获得包含多个特征向量的识别模型,作为用来识别匹配的标准。
在具体实施方式中,在A步骤中,将数据库中针对同一型号车辆的多角度图像的大部分(4/5或5/6)图像存储至训练集,将剩余的小部分(1/5或1/6)图像存储至验证集,并将每张图像都压缩成预设范围像素的数据集,并计算其像素均值。具体地,同一型号车辆的多角度照片可以压缩成一定图像大小的数据集,比如是480*640的大小,以1mdb格式,并计算其像素均值。由于将该训练集和验证集压缩成1mdb格式,以支持不同进程同时读取,提高存储读取的效率,来提高训练的速度。
接着,执行B步骤,将该预设范围像素的数据集以及像素均值信息导入深度卷积神经网络中进行卷积运算,从而提取每一型号车辆的特征向量。
在具体的实施方式中,是将该预设范围像素的数据集以及像素均值信息导入深度卷积神经网络的至少九层卷积层中进行卷积运算,从而提取每一型号车辆的特征向量。如图2所示为在深度卷积神经网络的至少九层卷积层中进行卷积运算的流程图。具体地,首先将预设范围像素的数据集以及像素均值信息导入深度卷积神经网络的第一层卷积层中,在前三层卷积层中依次进行卷积运算、整流和归一化处理、池化操作、局部响应归一化操作后,进入第四层卷积层。先将其裁剪成454*454大小,然后,在该第一层卷积层(conv1)中进行卷积运算并提取特征值,卷积核大小为14*14,步长为4(卷积核的权值共享),共96个滤波器,得到111x111大小,96通道的特征图。此层共(14x14+1)x96=18912个参数,111x111x18912=23014752个连接。同时将计算结果向上传入第1层整流层(relu1)和第1层池化层(pool1)。
接着,第1层整流层接收从底层(conv1)传来的数据,使用relu函数(近似生物神经激活函数,如下)作为激活函数对数据做归一化处理,同时将结果向下传入到第1层卷积层(conv1)
ReLu(x)=log(1+ex)
然后,第1层池化层接收从底层(conv1)传来的数据,并对数据进行下池化(下采样,利用图像局部相关性的原理,对图像进行子抽样,可以减少数据处理量同时保留有用信息)操作,池化内核大小为3,步长为2,得到55x55大小的特征图,并将结果向上传入到第1层局部响应层(norm1)。
第1层局部响应层(norm1)接收从底层(pool1)传来的数据,使用LRN函数(如下,N是卷积核数量,k,n,α,和β是常量,我们定义为k=2,n=5,α=10-4,andβ=0.75)对数据进行局部响应归一化操作(模拟人脑的横向抑制),减少数据的过拟合。并将结果向上传入第2层卷积层(conv2)。
第2层卷积层(conv2)接收从底层(norm1)传来并在特征图上加2个边距,分成两个组,分别在两个gpu上进行卷积运算,:卷积核大小为5,步长为1,共256个滤波器,得到55x55大小,256通道的特征图。此层共(5x5+1)x256=6656个参数,6656x55x55=20134400个连接。将计算结果向上传入第2层整流层(relu2)和第2层池化层(pool2)。
第2层整流层接收从底层(conv2)传来的数据,使用relu函数作为激活函数对数据做归一化处理,同时将结果向下传入到第2层卷积层(conv2)
第2层池化层接收从底层(conv2)传来的数据,并对数据进行池化(下采样)操作,池化内核大小为3,步长为2,得到27x27大小的特征图,并将结果向上传入到第2局部响应层(norm2)
第2层局部响应层(norm2)接收从底层(pool2)传来的数据,使用LRN函数对数据进行局部响应归一化操作(模拟人脑的横向抑制),并将结果向上传入第三卷积层(conv3)
第3层卷积层(conv3)接收从底层(norm2)传来数据,并在特征图上加2个边距,将两个组汇成一个组进行校正,并进行卷积运算,卷积核大小为5,步长为1,共256个滤波器,得到27x27大小,256通道的特征图。此层共(5x5+1)x384=9984个参数,9984x27x27=7278336个连接。将计算结果向上传入第3层整流层(relu3)和第3层池化层(pool3)。
第3层整流层接收从底层(conv3)传来的数据,使用relu函数作为激活函数对数据做归一化处理,同时将结果向下传入到第3层卷积层(conv3)
第3层池化层接收从底层(conv3)传来的数据,并对数据进行池化(下采样)操作,池化内核大小为3,步长为2,得到13x13大小的特征图,并将结果向上传入到第3局部响应层(norm3)
第3层局部响应层(norm3)接收从底层(pool3)传来的数据,使用LRN函数对数据进行局部响应归一化操作(模拟人脑的横向抑制),减少数据的过拟合,并将结果向上传入第三卷积层(conv4)。
在第四、第五层卷积层中依次进行卷积运算、整流和归一化处理后进入第六层卷积层。
第4层卷积层(conv4)接收从底层(norm3)传来数据,分成两组,分别在两个gpu上进行卷积运算。并在特征图上加1个边距,将两个组汇成一个组进行卷积运算,:卷积核大小为3,步长为1,共480个滤波器,得到13x13大小,480通道的特征图。此层共(3x3+1)x480=4800个参数,4800x13x13=811200个连接。将计算结果向上传入第4层整流层(relu4)和第5层卷积层(conv5)。
第4层整流层接收从底层(conv4)传来的数据,使用relu函数作为激活函数对数据做归一化处理,同时将结果向下传入到第4层卷积层(conv4)。
第5层卷积层(conv5)接收从底层(conv4)传来的两组数据,同样分为两组,分别在两个gpu上进行卷积运算。并在特征图上加1个边距,将两个组汇成一个组进行卷积运算,:卷积核大小为3,步长为1,共256个滤波器,得到13x13大小,480通道的特征图。此层共(3x3+1)x384=3840个参数,3840x13x13=811200个连接。将计算结果向上传入第5层整流层(relu5)和第6层池化层(pool6)。
第5层整流层接收从底层(conv5)传来的数据,使用relu函数作为激活函数对数据做归一化处理,同时将结果向下传入到第5层卷积层(conv5)。
在第6层卷积层中依次进行卷积运算、整流和归一化处理、池化操作后,进入第七层全连接层;
第6层池化层接收从底层(conv6)传来的特征图数据,并对特征图进行池化(下采样)操作,池化内核大小为3,步长为2,得到6x6大小的特征图,并将结果向上传入到第7全连结层(fc7)
在第7、第8层全连接层中依次进行卷积运算、整流和归一化处理、模型组合操作计算后,进入第九层卷积层。
第7层全连接层接收从底层(pool6)传来特征图数据,使用与特征图同等大小的卷积,在此卷积核大小为6,输出通道为4096,得到大小为1的特征图,此层共6x6x4096=147456个参数,共147456个连接。并将结果传递到第7层全连接层(fc7)。
第7层整流层接收从底层(conv7)传来的数据,使用relu函数作为激活函数对数据做归一化处理,同时将结果向下传入到第7层全连接层(fc8)。
第7层dropout层(drop)接收从底层(fc7)的数据,将随机将一半的卷积核的权重置为0,(此操作的作用是:1.减少优化的参数量,避免过拟合。2.打断节点之间的强联系。3.在一定程度上等效模型平均,因为每一次迭代dropout都会随机丢弃节点,所以每一次迭代模型的结构都不同,相当于每次迭代都在训练不同的模型。)同时将操作后的结果传递到第7全连接层(fc7)
第8层全连接层(fc8)接收从底层(fc7)传来特征图数据,使用与特征图同等大小的卷积,在此卷积核大小为1,输出通道为4096,得到大小为1的特征图,此层共1x1x4096个参数,共4096个连接。并将结果向上传递到fc8。
第8层整流层接收从底层(fc7)传来的数据,使用relu函数作为激活函数对数据做归一化处理,同时将结果向下传入到第8层全连接层(fc8)。
第8层dropout层(drop)接收从底层(fc7)的数据,随机将1/2的卷积核的权重置为0。同时将操作后的结果传递到第8层全连接层(fc8)。
在第9层卷积层中进行卷积运算,并进入loss层,提取每一型号车辆的特征图。
第9层全连接层(fc9)接收从底层(fc8)的特征图数据,并进行卷积运算,卷积核大小为1,输出n个(数据集共n个类)4096维度的特征向量。并将这些数据传到loss层。
上述为B步骤中一系列阶段,信息从输入层经过逐级的变换,传送到输出层,这个过程也是网络在完成训练后正常执行时执行的过程,在该过程中,网络执行的是计算(实际上就是输入与每层的权值矩阵相点乘,得到最后的输出结果)。
Op=Fn(…(F2(F1(Xp*W(1))W(2))…)W(n))
在C步骤中将每一型号车辆的特征向量与训练集中的图像的实际值计算方差,当方差大于第一阈值时,反馈调节多层卷积层的各个卷积核的权重,具体的,通过B步骤之后,在loss层中,使用softmax函数将每一型号车辆的特征向量与训练集中的图像的实际值计算方差,当方差大于第一阈值时,将方差通过负反馈算法由上而下依次传递下去,同时按极小化误差的方法反馈调节多层卷积层的各个卷积核的权重。然后进入下一次迭代训练,也就是重复B步骤和C步骤,当方差小于第一阈值时(该第一阈值非常小,比如我们设定为0.0005),不调整权重矩阵,需要进入下一次迭代训练。
然后,执行D步骤,通过多次重复B步骤和C步骤之后,将验证集中的图像与提取的多个特征向量进行比对,获得损失率,当损失率稳定在小于第二阈值时,获得包含多个特征向量的识别模型,作为用来识别匹配的标准。
在D步骤中紧接C步骤,将验证集中的图像与提取的多个特征向量进行比对,从而验证所训练的模型的有效性,当验证集中的图像与提取的多个特征向量进行比对时,获得比对结果的损失率,也就是均方误差和最大似然误差,当该损失率收敛在一个常数附近时,得到车辆识别模型。
在获得包含多个特征向量的识别模型之后,对待识别车辆图像提取特征向量,将该特征向量与识别模型进行比对,根据比对成功的识别模型,获得待识别车辆的型号。
具体地,首先将待识别车辆图像采用深度卷积神经网络进行卷积运算,获得待识别车辆的特征向量,接着,将该待识别车辆的特征向量与识别模型进行比对,根据比对成功的识别模型,获得待识别车辆对应的识别模型的型号,从而获得待识别车辆的型号。
例如,输入待识别车辆的某一角度的图像,从该图像中心进行裁剪,将该图像裁剪出454*454大小的图像,然后将裁剪后的图像采用测试的深度卷积神经网络进行卷积运算,从而得到特征向量表示,然后将该特性向量与训练的车辆识别模型进行比对,得到匹配度最高的车辆型号,也就是识别结果。
能够将上述的方法应用于交通事故的肇事逃逸中,寻找车辆,当然,本申请并不仅仅限定于对车辆的识别,还可以是人脸的识别,或者其他物体的外形的识别,应用于其他领域的识别,在本发明实施例中就不再详细赘述了。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种基于深度学习的车型识别方法,其特征在于,包括如下内容:
A.将数据库中针对同一型号车辆的多角度图像划分并存储至训练集和验证集,并将其压缩成预设范围像素的数据集,计算其像素均值;
B.将所述预设范围像素的数据集以及像素均值信息导入深度卷积神经网络中进行卷积运算,从而提取每一型号车辆的特征向量;
C.将每一型号车辆的特征向量与训练集中的图像的实际值计算方差,当方差大于第一阈值时,反馈调节深度卷积神经网络中各个卷积核的权重;
D.通过每重复B步骤和C步骤之后,将验证集中的图像与提取的多个特征向量进行比对,获得损失率,直至所述损失率稳定在小于第二阈值时,停止重复B步骤和C步骤,获得包含多个特征向量的识别模型,作为用来识别匹配的标准。
2.根据权利要求1所述的基于深度学习的车型识别方法,其特征在于,在D步骤之后,还包括:
对待识别车辆图像提取特征向量,将所述特征向量与所述识别模型进行比对,根据比对成功的识别模型,获得待识别车辆的型号。
3.根据权利要求1所述的基于深度学习的车型识别方法,其特征在于,所述将数据库中针对同一型号车辆的多张图像划分并存储至训练集合验证集,并将其压缩成预设范围像素的数据集,计算其像素均值,具体为:
将数据库中针对同一型号车辆的多角度图像的大部分图像存储至训练集,将剩余的小部分图像存储至验证集,并将每张图像都压缩成预设范围像素的数据集,并计算其像素均值。
4.根据权利要求1所述的基于深度学习的车型识别方法,其特征在于,将所述预设范围像素的数据集以及像素均值信息导入深度卷积神经网络中进行卷积运算,从而提取每一型号车辆的特征向量,具体为:
将所述预设范围像素的数据集以及像素均值信息导入深度卷积神经网络中的至少九层卷积层中进行卷积运算,从而提取每一型号车辆的特征向量。
5.根据权利要求4所述的基于深度学习的车型识别方法,其特征在于,将所述预设范围像素的数据集以及像素均值信息导入深度卷积神经网络中的至少九层卷积层中进行卷积运算,从而提取每一型号车辆的特征向量,具体包括:
将预设范围像素的数据集以及像素均值信息导入深度卷积神经网络的第一层卷积层中;
在前3层卷积层中依次进行卷积运算、整流和归一化处理、池化操作、局部响应归一化操作后,进入第四层卷积层;
在第4、第5层卷积层中依次进行卷积运算、整流和归一化处理后进入第六层卷积层;
在第6层卷积层中依次进行卷积运算、整流和归一化处理、池化操作后,进入第7层全连接层;
在第7、第8层全连接层中依次进行卷积运算、整流和归一化处理、模型组合操作计算后,进入第9层卷积层;
在第9层卷积层中进行卷积运算,并进入loss层,提取每一型号车辆的特征向量。
6.根据权利要求5所述的基于深度学习的车型识别方法,其特征在于,所述将每一型号车辆的特征向量与训练集中的图像的实际值计算方差,当方差大于第一阈值时,反馈调节多层卷积层的各个卷积核的权重,具体为:
在loss层中,使用softmax函数将每一型号车辆的特征向量与训练集中的图像的实际值计算方差,当方差大于第一阈值时,将方差通过负反馈算法由上而下依次传递下去,同时按极小化误差的方法反馈调节多层卷积层的各个卷积核的权重。
7.根据权利要求2所述的基于深度学习的车型识别方法,其特征在于,所述对待识别车辆图像提取特征向量,将所述特征向量与所述识别模型进行比对,根据比对成功的识别模型,获得待识别车辆的型号,具体包括:
将待识别车辆图像采用深度卷积神经网络进行卷积运算,获得所述待识别车辆的特征向量;
将所述特征向量与识别模型进行比对,根据比对成功的识别模型,获得待识别车辆对应的识别模型的型号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710053329.8A CN106682649A (zh) | 2017-01-24 | 2017-01-24 | 一种基于深度学习的车型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710053329.8A CN106682649A (zh) | 2017-01-24 | 2017-01-24 | 一种基于深度学习的车型识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106682649A true CN106682649A (zh) | 2017-05-17 |
Family
ID=58859703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710053329.8A Pending CN106682649A (zh) | 2017-01-24 | 2017-01-24 | 一种基于深度学习的车型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106682649A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009581A (zh) * | 2017-11-30 | 2018-05-08 | 中国地质大学(武汉) | 一种基于cnn的裂纹识别方法、设备及存储设备 |
CN108021909A (zh) * | 2017-12-28 | 2018-05-11 | 北京悦畅科技有限公司 | 一种停车场车型预测方法及装置 |
CN108168459A (zh) * | 2017-12-29 | 2018-06-15 | 南京埃克里得视觉技术有限公司 | 一种汽车轮毂识别匹配方法 |
CN108171248A (zh) * | 2017-12-29 | 2018-06-15 | 武汉璞华大数据技术有限公司 | 一种识别列车型号的方法、装置和设备 |
CN108304797A (zh) * | 2018-01-29 | 2018-07-20 | 中国科学院自动化研究所 | 基于侧向抑制的视觉注意检测方法及装置 |
CN109299777A (zh) * | 2018-09-20 | 2019-02-01 | 于江 | 一种基于人工智能的数据处理方法及其系统 |
CN109902563A (zh) * | 2019-01-17 | 2019-06-18 | 桂林远望智能通信科技有限公司 | 一种多角度车型识别方法及系统 |
CN110135227A (zh) * | 2018-02-09 | 2019-08-16 | 电子科技大学 | 一种基于机器学习的激光点云室外场景自动分割方法 |
CN110478911A (zh) * | 2019-08-13 | 2019-11-22 | 苏州钛智智能科技有限公司 | 基于机器学习的智能游戏车无人驾驶方法及智能车、设备 |
CN110556000A (zh) * | 2018-06-04 | 2019-12-10 | 义硕智能股份有限公司 | 人工智慧交通检测系统 |
WO2020006898A1 (zh) * | 2018-07-05 | 2020-01-09 | 平安科技(深圳)有限公司 | 音频数据的乐器识别方法及装置、电子设备、存储介质 |
CN110766048A (zh) * | 2019-09-18 | 2020-02-07 | 平安科技(深圳)有限公司 | 图像内容识别方法、装置、计算机设备和存储介质 |
CN110991349A (zh) * | 2019-12-05 | 2020-04-10 | 中国科学院重庆绿色智能技术研究院 | 一种基于度量学习的轻量级车辆属性识别方法 |
CN111126592A (zh) * | 2018-10-30 | 2020-05-08 | 三星电子株式会社 | 输出预测结果、生成神经网络的方法及装置和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105590102A (zh) * | 2015-12-30 | 2016-05-18 | 中通服公众信息产业股份有限公司 | 一种基于深度学习的前车车脸识别方法 |
CN105894045A (zh) * | 2016-05-06 | 2016-08-24 | 电子科技大学 | 一种基于空间金字塔池化的深度网络模型的车型识别方法 |
CN106203330A (zh) * | 2016-07-08 | 2016-12-07 | 西安理工大学 | 一种基于卷积神经网络的车辆分类方法 |
-
2017
- 2017-01-24 CN CN201710053329.8A patent/CN106682649A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105590102A (zh) * | 2015-12-30 | 2016-05-18 | 中通服公众信息产业股份有限公司 | 一种基于深度学习的前车车脸识别方法 |
CN105894045A (zh) * | 2016-05-06 | 2016-08-24 | 电子科技大学 | 一种基于空间金字塔池化的深度网络模型的车型识别方法 |
CN106203330A (zh) * | 2016-07-08 | 2016-12-07 | 西安理工大学 | 一种基于卷积神经网络的车辆分类方法 |
Non-Patent Citations (2)
Title |
---|
张军 等: "深度卷积神经网络的汽车车型识别方法", 《传感器与微系统》 * |
邓柳: "基于深度卷积神经网络的车型识别", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009581A (zh) * | 2017-11-30 | 2018-05-08 | 中国地质大学(武汉) | 一种基于cnn的裂纹识别方法、设备及存储设备 |
CN108021909A (zh) * | 2017-12-28 | 2018-05-11 | 北京悦畅科技有限公司 | 一种停车场车型预测方法及装置 |
CN108168459A (zh) * | 2017-12-29 | 2018-06-15 | 南京埃克里得视觉技术有限公司 | 一种汽车轮毂识别匹配方法 |
CN108171248A (zh) * | 2017-12-29 | 2018-06-15 | 武汉璞华大数据技术有限公司 | 一种识别列车型号的方法、装置和设备 |
CN108168459B (zh) * | 2017-12-29 | 2019-06-14 | 南京埃克里得视觉技术有限公司 | 一种汽车轮毂识别匹配方法 |
CN108304797A (zh) * | 2018-01-29 | 2018-07-20 | 中国科学院自动化研究所 | 基于侧向抑制的视觉注意检测方法及装置 |
CN108304797B (zh) * | 2018-01-29 | 2020-07-28 | 中国科学院自动化研究所 | 基于侧向抑制的视觉注意检测方法及装置 |
CN110135227A (zh) * | 2018-02-09 | 2019-08-16 | 电子科技大学 | 一种基于机器学习的激光点云室外场景自动分割方法 |
CN110135227B (zh) * | 2018-02-09 | 2022-06-03 | 电子科技大学 | 一种基于机器学习的激光点云室外场景自动分割方法 |
CN110556000A (zh) * | 2018-06-04 | 2019-12-10 | 义硕智能股份有限公司 | 人工智慧交通检测系统 |
WO2020006898A1 (zh) * | 2018-07-05 | 2020-01-09 | 平安科技(深圳)有限公司 | 音频数据的乐器识别方法及装置、电子设备、存储介质 |
CN109299777A (zh) * | 2018-09-20 | 2019-02-01 | 于江 | 一种基于人工智能的数据处理方法及其系统 |
CN109299777B (zh) * | 2018-09-20 | 2021-12-03 | 于江 | 一种基于人工智能的数据处理方法及其系统 |
CN111126592A (zh) * | 2018-10-30 | 2020-05-08 | 三星电子株式会社 | 输出预测结果、生成神经网络的方法及装置和存储介质 |
CN109902563A (zh) * | 2019-01-17 | 2019-06-18 | 桂林远望智能通信科技有限公司 | 一种多角度车型识别方法及系统 |
CN110478911A (zh) * | 2019-08-13 | 2019-11-22 | 苏州钛智智能科技有限公司 | 基于机器学习的智能游戏车无人驾驶方法及智能车、设备 |
CN110766048A (zh) * | 2019-09-18 | 2020-02-07 | 平安科技(深圳)有限公司 | 图像内容识别方法、装置、计算机设备和存储介质 |
CN110991349A (zh) * | 2019-12-05 | 2020-04-10 | 中国科学院重庆绿色智能技术研究院 | 一种基于度量学习的轻量级车辆属性识别方法 |
CN110991349B (zh) * | 2019-12-05 | 2023-02-10 | 中国科学院重庆绿色智能技术研究院 | 一种基于度量学习的轻量级车辆属性识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106682649A (zh) | 一种基于深度学习的车型识别方法 | |
CN110348376B (zh) | 一种基于神经网络的行人实时检测方法 | |
CN104102919B (zh) | 一种有效防止卷积神经网络过拟合的图像分类方法 | |
CN110516716B (zh) | 基于多分支相似度网络的无参考图像质量评价方法 | |
CN112580782B (zh) | 基于通道增强的双注意力生成对抗网络及图像生成方法 | |
CN107871101A (zh) | 一种人脸检测方法及装置 | |
CN110532850B (zh) | 一种基于视频关节点和混合分类器的跌倒检测方法 | |
CN113160062B (zh) | 一种红外图像目标检测方法、装置、设备及存储介质 | |
CN109034119A (zh) | 一种基于优化的全卷积神经网络的人脸检测方法 | |
CN107358257A (zh) | 一种大数据场景下可增量学习的图像分类训练方法 | |
CN112241679B (zh) | 一种垃圾自动分类的方法 | |
CN109785344A (zh) | 基于特征重标定的双通路残差网络的遥感图像分割方法 | |
CN111860171A (zh) | 一种大规模遥感图像中不规则形状目标的检测方法及系统 | |
CN107492098A (zh) | 一种基于pca和cnn的高温锻件表面缺陷在位检测方法 | |
CN106600595A (zh) | 一种基于人工智能算法的人体特征尺寸自动测量方法 | |
CN110211035A (zh) | 融合互信息的深度神经网络的图像超分辨率方法 | |
CN110619638A (zh) | 一种基于卷积块注意模块的多模态融合显著性检测方法 | |
CN110245711A (zh) | 基于角度旋转生成网络的sar目标识别方法 | |
CN103440471B (zh) | 基于低秩表示的人体行为识别方法 | |
CN109242825A (zh) | 一种基于深度学习技术的钢铁表面缺陷识别方法和装置 | |
CN110503610A (zh) | 一种基于gan网络的图像雨雪痕迹去除方法 | |
CN112784779A (zh) | 一种基于特征金字塔多级特征融合的遥感影像场景分类方法 | |
CN106599878A (zh) | 一种基于深度学习的人脸重建矫正方法及装置 | |
CN110895697A (zh) | 变压器铭牌信息采集方法及智能采集系统 | |
CN104636748B (zh) | 一种号牌识别的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170517 |