CN108647595A - 基于多属性深度特征的车辆重识别方法 - Google Patents
基于多属性深度特征的车辆重识别方法 Download PDFInfo
- Publication number
- CN108647595A CN108647595A CN201810389331.7A CN201810389331A CN108647595A CN 108647595 A CN108647595 A CN 108647595A CN 201810389331 A CN201810389331 A CN 201810389331A CN 108647595 A CN108647595 A CN 108647595A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- test pictures
- training
- depth
- data set
- 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.)
- Granted
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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多属性深度特征的车辆重识别方法,包括:利用特征提取模型提取第A个池化层的测试图片集的深度特征,利用测试图片集的深度特征和W矩阵,得到查找集中的测试图片的深度特征与候选集中的目标图片的深度特征之间的马氏距离,按照马氏距离从小到大排序,得到测试图片与目标图片的相似度排序结果;所述测试图片集包括查找集与搜索集,所述测试图片集为包含车辆的图片;所述特征提取模型的训练包括:在GoogLeNet的第A个池化层后接入车辆多属性分类器,得到改进GoogLeNet,利用训练图片训练改进GoogLeNet,得到特征提取模型。本发明简化了模型训练过程,大大提高了重识别准确率,模型泛化性能很强。
Description
技术领域
本发明属于深度学习技术领域,更具体地,涉及一种基于多属性深度特征的车辆重识别方法。
背景技术
车辆重识别是计算机视觉领域的一个重要研究方向,着眼于在不借助车牌信息的情况下在无公共视域的摄像头下特定目标车辆的识别工作。作为一项刚刚兴起的研究领域,虽然车辆重识别对智能交通等方面具有重要意义,但是相关的研究仍然很少。目前主流的一种方法是使用端到端的深度神经网络,通过多组相同目标和不同目标的图片对训练卷积神经网络,在训练中同时追求类内距离的最小化和类间距离最大化。另一种方法是寻找一种基于车辆外观的特征表达,主要包括车型,纹理,粘贴标志和时间空间等信息,再使用欧氏距离计算目标之间的相似度,并根据相似度高低进行排序得到最后结果。不同于行人重识别中不同目标的外形差异较大,车辆重识别面临大量同款车型的情况。这些同款车型的不同车辆往往具有相似的外观,在不借助车牌信息的情况下难以区分。
第一种方法有很多缺点,比如训练使用的图片对数量大,如何选择极大地影响最后的结果;网络难以收敛,需要很多调参技巧。另一种方法需要选取具有代表性和判别性的特征。现有技术存在训练过程复杂、重识别效果差、准确率低的技术问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于多属性深度特征的车辆重识别方法,由此解决现有技术存在训练过程复杂、重识别效果差、准确率低的技术问题。
为实现上述目的,本发明提供了一种基于多属性深度特征的车辆重识别方法,包括:
利用特征提取模型提取第A个池化层的测试图片集的深度特征,利用测试图片集的深度特征和W矩阵,得到查找集中的测试图片的深度特征与候选集中的目标图片的深度特征之间的马氏距离,按照马氏距离从小到大排序,得到测试图片与目标图片的相似度排序结果;
所述测试图片集包括查找集与搜索集,所述测试图片集为包含车辆的图片;
所述特征提取模型的训练包括:
在GoogLeNet的第A个池化层后接入车辆多属性分类器,得到改进GoogLeNet,利用训练图片训练改进GoogLeNet,得到特征提取模型。
进一步地,W矩阵由XQDA模型训练得到,所述XQDA模型的训练包括:
利用特征提取模型提取训练图片在第A个池化层的深度特征,得到训练图片的深度特征集,将训练图片的深度特征集对半分为第一数据集和第二数据集,利用第一数据集和第二数据集训练XQDA模型,得到W矩阵。
进一步地,利用第一数据集和第二数据集训练XQDA模型的具体实现方式包括:
利用第一数据集和第二数据集得到类内样本差值分布的协方差矩阵和类间样本差值分布的协方差矩阵,对第一数据集和第二数据集中的深度特征进行正交三角分解后得到第一降维矩阵,利用第一降维矩阵对类内样本差值分布的协方差矩阵和类间样本差值分布的协方差矩阵求逆,得到求逆结果,对求逆结果使用LDA得到W矩阵。
进一步地,马氏距离为:
其中,dw(xi,xj)为测试图片的深度特征xi和目标图片的深度特征xj之间的马氏距离,∑I为测试图片与目标图片的类内差值分布的协方差矩阵,∑′E为测试图片与目标图片的类间差值分布的协方差矩阵。
进一步地,车辆多属性分类器包括车辆颜色分类器、车型分类器和ID信息分类器。
进一步地,改进GoogLeNet的损失函数L由车辆多属性的损失函数加权求和得到:
L=λ0L0+λ1L1+λ2L2
其中,L0表示ID信息分类器的损失函数,L1表示车辆颜色分类器,L2表示车型分类器的损失函数,λ0的取值范围为0.1-0.3,λ1的取值范围为0.4-0.5,λ2,的取值范围为0.6-0.8。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)本发明在GoogLeNet后接入车辆多属性分类器,得到改进GoogLeNet,利用训练图片训练改进GoogLeNet,得到特征提取模型。训练时每次只需要输入单张图片,省去了图片对训练的复杂过程;简化了模型训练过程,大大提高了重识别准确率,模型泛化性能很强。
(2)本发明中的特征提取模型可同时进行车辆的车型识别和颜色识别,所得到的深度特征同时包含了车辆的车型信息和颜色信息;本发明训练XQDA模型,得到W矩阵,利用W矩阵计算马氏距离,相比现有方法的欧氏距离可以更好地适应样本提取的深度特征,得到更高的匹配准确率。同时,训练图片的深度特征集对半分后,训练XQDA模型,得到的W矩阵被应用于小样本的行人重识别任务,在应对样本数量大的车辆重识别上具有更好的适应性。
附图说明
图1是本发明实施例提供的一种基于多属性深度特征的车辆重识别方法的流程图;
图2是本发明实施例提供的GoogLeNet的基本单元Inception结构图;
图3(a)是本发明实施例提供的只接入车型分类器训练的结果;
图3(b)是本发明实施例提供的接入车辆颜色分类器和车型分类器训练的结果;
图3(c)是本发明实施例提供的本发明中特征提取模型的训练结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,一种基于多属性深度特征的车辆重识别方法,包括:
利用特征提取模型提取第A个池化层的测试图片集的深度特征,利用测试图片集的深度特征和W矩阵,得到查找集中的测试图片的深度特征与候选集中的目标图片的深度特征之间的马氏距离,按照马氏距离从小到大排序,得到测试图片与目标图片的相似度排序结果;
所述测试图片集包括查找集与搜索集,所述测试图片集为包含车辆的图片;
所述特征提取模型的训练包括:
在GoogLeNet的第A个池化层后接入车辆多属性分类器,得到改进GoogLeNet,利用训练图片训练改进GoogLeNet,得到特征提取模型。车辆多属性分类器包括车辆颜色分类器、车型分类器和ID信息分类器。如图2所示,本发明的GoogLeNet的框架是ChristianSzegedy设计的。与其他识别网络相比,其特点是网络结构中的Inception结构。这是一种网中网的结构,即原来的节点也是一个网络。将之前的串行网络变成并行网络。用了Inception之后整个网络结构的宽度和深度都可扩大,能够带来2-3倍的性能提升。
本发明实施例中A为5,GoogLeNet中训练使用的损失函数,该模型是logistic回归模型在多分类问题上的推广,其作用是将线性预测值转为概率,对多分类任务有较好效果。假设每张图片包含的车辆属性数目为M,给定训练样本x,假设输入图片的某属性类别数为m,其对应的全连接层输出为[z1,z2,...,zm],则对输入样本x属于该属性类别j∈1,...,m的概率为:
其对应的分类损失函数为:
其中正确的标签ym对应:
q(ym)=1,q(j≠ym)=0
池化层是用来降低卷积层输出的特征向量的。图像具有一种“静态性”的属性,这也就意味着在一个图像区域有用的特征极有可能在另一个区域同样适用。因此,为了描述大的图像,一个很自然的想法就是对不同位置的特征进行聚合统计,例如,可以计算图像一个区域上的某个特定特征的平均值(或最大值)来代表这个区域的特征。ID:即每辆目标车辆所属的类别。由车辆的车牌号确定。ID号相同则样本图片属于同一辆车。
交叉视角的二次判别分析法(XQDA)是在保持直接简单原则的度量(KISSME)和贝叶斯人脸方法基础上提出的。该方法用高斯模型分别拟合类内和类间样本特征的差值分布。根据两个高斯分布的对数似然比推导出马氏距离。该方法用高斯模型分别拟合类内和类间样本特征的差值分布。根据两个高斯分布的对数似然比推导出马氏距离。
多任务学习是机器学习中的一个分支,按1997年综述论文Multi-task Learning一文的定义:多任务学习是一种归纳迁移机制,基本目标是提高泛化性能。多任务学习通过相关任务训练信号中的领域特定信息来提高泛化能力,利用共享表示采用并行训练的方法学习多个任务。多任务学习的优势就在于能发掘这些子任务之间的关系,同时又能区分这些任务之间的差别。一般地,一个卷积神经网络只是对某一个特定的目标进行学习训练。其实,也可以使一个网络并行地对两个或两个以上的任务进行学习,网络参数共享,这样可以起到减少模型个数,并且使模型具有很好的泛化能力。
进一步地,W矩阵由XQDA模型训练得到,所述XQDA模型的训练包括:
利用特征提取模型提取训练图片在第A个池化层的深度特征,得到训练图片的深度特征集,将训练图片的深度特征集对半分为第一数据集和第二数据集,利用第一数据集和第二数据集训练XQDA模型,得到W矩阵。
进一步地,利用第一数据集和第二数据集训练XQDA模型的具体实现方式包括:
利用第一数据集和第二数据集得到类内样本差值分布的协方差矩阵和类间样本差值分布的协方差矩阵,对第一数据集和第二数据集中的深度特征进行正交三角分解后得到第一降维矩阵,利用第一降维矩阵对类内样本差值分布的协方差矩阵和类间样本差值分布的协方差矩阵求逆,得到求逆结果,对求逆结果使用LDA得到W矩阵。
进一步地,马氏距离为:
其中,dw(xi,xj)为测试图片的深度特征xi和目标图片的深度特征xj之间的马氏距离,∑′J为测试图片与目标图片的类内差值分布的协方差矩阵,∑′E为测试图片与目标图片的类间差值分布的协方差矩阵。
进一步地,改进GoogLeNet的损失函数L由车辆多属性的损失函数加权求和得到:
L=λ0L0+λ1L1+λ2L2
其中,L0表示ID信息分类器的损失函数,L1表示车辆颜色分类器,L2表示车型分类器的损失函数,λ0的取值范围为0.1-0.3,λ1的取值范围为0.4-0.5,λ2的取值范围为0.6-0.8。优选的,λ0、λ1和λ2的取值分别为0.2,0.3,0.7。
图3为正负样本直观示意图,图中同一目标在不同摄像头下的特征用同一种颜色的符号表示:图3(a)表示只接入车型分类器训练的结果,可以看出对同款车型不同颜色的车辆分类较差;图3(b)表示接入车型和颜色分类器训练的结果,可以看出大部分情况下分类效果理想,但是难以区分同款车型和颜色的不同车辆;图3(c)表示本发明所使用的特征提取模型,满足理想效果,重识别精度最高。
本发明方法的优势在于步骤简单,容易实现,车型和颜色也属于比较容易获取的信息。相比现有方法不仅大大提高了准确率,同时因为采用多任务学习使得到的模型具有较强的泛化性能。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于多属性深度特征的车辆重识别方法,其特征在于,包括:
利用特征提取模型提取第A个池化层的测试图片集的深度特征,利用测试图片集的深度特征和W矩阵,得到查找集中的测试图片的深度特征与候选集中的目标图片的深度特征之间的马氏距离,按照马氏距离从小到大排序,得到测试图片与目标图片的相似度排序结果;
所述测试图片集包括查找集与搜索集,所述测试图片集为包含车辆的图片;
所述特征提取模型的训练包括:
在GoogLeNet的第A个池化层后接入车辆多属性分类器,得到改进GoogLeNet,利用训练图片训练改进GoogLeNet,得到特征提取模型。
2.如权利要求1所述的一种基于多属性深度特征的车辆重识别方法,其特征在于,所述W矩阵由XQDA模型训练得到,所述XQDA模型的训练包括:
利用特征提取模型提取训练图片在第A个池化层的深度特征,得到训练图片的深度特征集,将训练图片的深度特征集对半分为第一数据集和第二数据集,利用第一数据集和第二数据集训练XQDA模型,得到W矩阵。
3.如权利要求2所述的一种基于多属性深度特征的车辆重识别方法,其特征在于,所述利用第一数据集和第二数据集训练XQDA模型的具体实现方式包括:
利用第一数据集和第二数据集得到类内样本差值分布的协方差矩阵和类间样本差值分布的协方差矩阵,对第一数据集和第二数据集中的深度特征进行正交三角分解后得到第一降维矩阵,利用第一降维矩阵对类内样本差值分布的协方差矩阵和类间样本差值分布的协方差矩阵求逆,得到求逆结果,对求逆结果使用LDA得到W矩阵。
4.如权利要求1或2所述的一种基于多属性深度特征的车辆重识别方法,其特征在于,所述马氏距离为:
其中,dW(xi,xj)为测试图片的深度特征xi和目标图片的深度特征xj之间的马氏距离,∑′J为测试图片与目标图片的类内差值分布的协方差矩阵,∑′E为测试图片与目标图片的类间差值分布的协方差矩阵。
5.如权利要求1或2所述的一种基于多属性深度特征的车辆重识别方法,其特征在于,所述车辆多属性分类器包括车辆颜色分类器、车型分类器和ID信息分类器。
6.如权利要求5所述的一种基于多属性深度特征的车辆重识别方法,其特征在于,所述改进GoogLeNet的损失函数L由车辆多属性的损失函数加权求和得到:
L=λ0L0+λ1L1+λ2L2
其中,L0表示ID信息分类器的损失函数,L1表示车辆颜色分类器,L2表示车型分类器的损失函数,λ0的取值范围为0.1-0.3,λ1的取值范围为0.4-0.5,λ2的取值范围为0.6-0.8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810389331.7A CN108647595B (zh) | 2018-04-26 | 2018-04-26 | 基于多属性深度特征的车辆重识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810389331.7A CN108647595B (zh) | 2018-04-26 | 2018-04-26 | 基于多属性深度特征的车辆重识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108647595A true CN108647595A (zh) | 2018-10-12 |
CN108647595B CN108647595B (zh) | 2021-08-03 |
Family
ID=63748090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810389331.7A Expired - Fee Related CN108647595B (zh) | 2018-04-26 | 2018-04-26 | 基于多属性深度特征的车辆重识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108647595B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657726A (zh) * | 2018-12-25 | 2019-04-19 | 焦点科技股份有限公司 | 一种图片多标签分类方法 |
CN109740653A (zh) * | 2018-12-25 | 2019-05-10 | 北京航空航天大学 | 一种融合视觉表观与时空约束的车辆再识别方法 |
CN109740479A (zh) * | 2018-12-25 | 2019-05-10 | 苏州科达科技股份有限公司 | 一种车辆重识别方法、装置、设备及可读存储介质 |
CN109829414A (zh) * | 2019-01-25 | 2019-05-31 | 华南理工大学 | 一种基于标签不确定性和人体组件模型的行人再识别方法 |
CN110175506A (zh) * | 2019-04-08 | 2019-08-27 | 复旦大学 | 基于并行降维卷积神经网络的行人重识别方法及装置 |
CN110569844A (zh) * | 2019-08-26 | 2019-12-13 | 中国人民解放军91550部队 | 基于深度学习的船舶识别方法及系统 |
CN111435451A (zh) * | 2019-01-11 | 2020-07-21 | 北京达佳互联信息技术有限公司 | 确定图片类别的方法、装置、服务器和存储介质 |
CN114067293A (zh) * | 2022-01-17 | 2022-02-18 | 武汉珞信科技有限公司 | 基于双重属性的车辆重识别重排列方法、系统及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140098221A1 (en) * | 2012-10-09 | 2014-04-10 | International Business Machines Corporation | Appearance modeling for object re-identification using weighted brightness transfer functions |
CN106778517A (zh) * | 2016-11-25 | 2017-05-31 | 河南高速公路驻信段改扩建工程有限公司 | 一种监控视频序列图像车辆再识别的方法 |
-
2018
- 2018-04-26 CN CN201810389331.7A patent/CN108647595B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140098221A1 (en) * | 2012-10-09 | 2014-04-10 | International Business Machines Corporation | Appearance modeling for object re-identification using weighted brightness transfer functions |
CN106778517A (zh) * | 2016-11-25 | 2017-05-31 | 河南高速公路驻信段改扩建工程有限公司 | 一种监控视频序列图像车辆再识别的方法 |
Non-Patent Citations (1)
Title |
---|
WENHUA FANG等: "《Vehicle re-identification collaborating visual and temporal-spatial network》", 《PROCEEDINGS OF THE FIFTH INTERNATIONAL CONFERENCE ON INTERNET MULTIMEDIA COMPUTING AND SERVICE》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657726A (zh) * | 2018-12-25 | 2019-04-19 | 焦点科技股份有限公司 | 一种图片多标签分类方法 |
CN109740653A (zh) * | 2018-12-25 | 2019-05-10 | 北京航空航天大学 | 一种融合视觉表观与时空约束的车辆再识别方法 |
CN109740479A (zh) * | 2018-12-25 | 2019-05-10 | 苏州科达科技股份有限公司 | 一种车辆重识别方法、装置、设备及可读存储介质 |
CN109740653B (zh) * | 2018-12-25 | 2020-10-09 | 北京航空航天大学 | 一种融合视觉表观与时空约束的车辆再识别方法 |
CN111435451A (zh) * | 2019-01-11 | 2020-07-21 | 北京达佳互联信息技术有限公司 | 确定图片类别的方法、装置、服务器和存储介质 |
CN111435451B (zh) * | 2019-01-11 | 2023-04-28 | 北京达佳互联信息技术有限公司 | 确定图片类别的方法、装置、服务器和存储介质 |
CN109829414A (zh) * | 2019-01-25 | 2019-05-31 | 华南理工大学 | 一种基于标签不确定性和人体组件模型的行人再识别方法 |
CN110175506A (zh) * | 2019-04-08 | 2019-08-27 | 复旦大学 | 基于并行降维卷积神经网络的行人重识别方法及装置 |
CN110569844A (zh) * | 2019-08-26 | 2019-12-13 | 中国人民解放军91550部队 | 基于深度学习的船舶识别方法及系统 |
CN110569844B (zh) * | 2019-08-26 | 2022-02-08 | 中国人民解放军91550部队 | 基于深度学习的船舶识别方法及系统 |
CN114067293A (zh) * | 2022-01-17 | 2022-02-18 | 武汉珞信科技有限公司 | 基于双重属性的车辆重识别重排列方法、系统及电子设备 |
CN114067293B (zh) * | 2022-01-17 | 2022-04-22 | 武汉珞信科技有限公司 | 基于双重属性的车辆重识别重排列方法、系统及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108647595B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647595A (zh) | 基于多属性深度特征的车辆重识别方法 | |
Ruta et al. | Real-time traffic sign recognition from video by class-specific discriminative features | |
Zweig et al. | Exploiting object hierarchy: Combining models from different category levels | |
CN110414368A (zh) | 一种基于知识蒸馏的无监督行人重识别方法 | |
CN108875600A (zh) | 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质 | |
CN109961089A (zh) | 基于度量学习和元学习的小样本和零样本图像分类方法 | |
CN108171136A (zh) | 一种多任务卡口车辆以图搜图的系统及方法 | |
CN109711448A (zh) | 基于判别关键域和深度学习的植物图像细粒度分类方法 | |
CN109886147A (zh) | 一种基于单网络多任务学习的车辆多属性检测方法 | |
CN103761531A (zh) | 基于形状轮廓特征的稀疏编码车牌字符识别方法 | |
Liu et al. | Subtler mixed attention network on fine-grained image classification | |
CN106250909A (zh) | 一种基于改进视觉词袋模型的图像分类方法 | |
CN105938565A (zh) | 基于多层分类器和互联网图像辅助训练的彩色图像情感分类方法 | |
CN110008899B (zh) | 一种可见光遥感图像候选目标提取与分类方法 | |
CN108416270A (zh) | 一种基于多属性联合特征的交通标志识别方法 | |
CN111126464A (zh) | 一种基于无监督域对抗领域适应的图像分类方法 | |
CN107220598A (zh) | 基于深度学习特征和Fisher Vector编码模型的虹膜图像分类方法 | |
Qi et al. | Im2sketch: Sketch generation by unconflicted perceptual grouping | |
CN110020669A (zh) | 一种车牌分类方法、系统、终端设备及计算机程序 | |
CN110008900A (zh) | 一种由区域到目标的可见光遥感图像候选目标提取方法 | |
CN105320963B (zh) | 面向高分遥感图像的大尺度半监督特征选择方法 | |
Lin et al. | Two stream active query suggestion for active learning in connectomics | |
Zhang et al. | A car-face region-based image retrieval method with attention of SIFT features | |
Pondenkandath et al. | Identifying cross-depicted historical motifs | |
Ali et al. | Sindhi handwritten-digits recognition using machine learning techniques |
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 | ||
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: 20210803 |