基于语义DCNN特征融合的细粒度车型识别模型

摘要：

针对深度卷积神经网络模型缺乏对语义信息的表征能力,而细粒度视觉识别中种类间视觉差异微小且多集中在关键的语义部位的问题,提出基于语义信息融合的深度卷积神经网络模型及细粒度车型识别模型.该模型由定位网络和识别网络组成,通过定位网络Faster RCNN获取车辆目标及各语义部件的具体位置;借助识别网络提取目标车辆及各语义部件的特征,再使用小核卷积实现特征拼接和融合;最后经过深层神经网络得到最终识别结果.实验结果表明,文中模型在斯坦福BMW-10数据集的识别准确率为78.74％,高于VGG网络13.39％;在斯坦福cars-197数据集的识别准确率为85.94％,其迁移学习模型在BMVC car-types数据集的识别准确率为98.27％,比该数据集目前最好的识别效果提高3.77％;该模型避免了细粒度车型识别对于车辆目标及语义部件位置的依赖,并具有较高的识别准确率及通用性.

关键词：车型识别、细粒度车型识别、卷积神经网络、深度学习、细粒度分类、图像分类

所属期刊栏目：31

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金61672202

在线出版日期：2019-03-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共17页

页码：141-157