检索结果-维普期刊中文期刊服务平台

基于语义DCNN特征融合的细粒度车型识别模型被引量：12: 1; 作者杨娟曹浩宇 +1 位作者汪荣贵薛丽霞《计算机辅助设计与图形学学报》 EI CSCD 北大核心 2019年第1期141-157,共17页; 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... 展开更多; 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; 在线阅读下载PDF 职称材料

融合独立组件的ResNet在细粒度车型识别中的应用被引量：8: 2; 作者陈立潮朝昕 +1 位作者曹建芳潘理虎《计算机工程与应用》 CSCD 北大核心 2021年第11期248-253,共6页; 针对细粒度车型中子车系间识别率低的问题,同时为了增强卷积神经网络的表征能力,提出融合独立组件的残差网络(IC-ResNet)模型。优化ResNet网络,通过改进下采样层,减少特征信息损失,接着使用中心损失函数和Softmax损失函数联合学习策略,... 展开更多; 关键词细粒度车型识别残差网络独立组件中心损失; 在线阅读下载PDF 职称材料

基于部件关注DenseNet的细粒度车型识别被引量：4: 3; 作者陈立潮朝昕 +2 位作者潘理虎曹建芳张睿《智能系统学报》 CSCD 北大核心 2022年第2期402-410,共9页; 针对细粒度车型识别率低,车型区别主要集中在鉴别性部件上以及深度学习不能有效对部件进行关注的问题,提出一种基于部件关注DenseNet(part-focused DenseNet,PF-DenseNet)的细粒度车型识别模型。该模型可以基于细粒度车型的车灯、车标... 展开更多; 关键词细粒度车型识别部件关注密集连接网络独立组件数据增强深度学习特征提取特征复用; 在线阅读下载PDF 职称材料

基于深度卷积神经网络的多任务细粒度车型识别被引量：9: 4; 作者王海瑶唐娟沈振辉《图学学报》 CSCD 北大核心 2018年第3期485-492,共8页; 车型识别,尤其是细粒度车型识别是现代智能交通系统的重要组成部分。针对传统车型识别方法难以进行有效的细粒度车型识别的问题,以AlexNet、GoogleNet及ResNet等3种经典深度卷积神经网络架构作为基础网络,引入了车辆的类型分类作为辅助... 展开更多; 关键词智能交通细粒度车型识别深度学习神经网络; 在线阅读下载PDF 职称材料

奇异值分解与中心度量的细粒度车型识别算法被引量：2: 5; 作者蒋行国万今朝 +2 位作者蔡晓东李海鸥曹艺《西安电子科技大学学报》 EI CAS CSCD 北大核心 2019年第3期82-88,共7页; 针对细粒度车型识别图像分类因存在冗余特征而导致识别率低的问题,提出一种基于奇异值分解与中心度量的细粒度车型识别算法。首先,提出一种基于奇异值分解卷积神经网络,对全连接层的权重矩阵进行奇异值分解后重新赋值并微调,可以去除具... 展开更多; 关键词细粒度车型识别冗余特征奇异值分解卷积神经网络融合损失; 在线阅读下载PDF 职称材料

题名基于语义DCNN特征融合的细粒度车型识别模型被引量：12: 1; 作者杨娟曹浩宇汪荣贵薛丽霞; 机构合肥工业大学计算机与信息学院; 出处《计算机辅助设计与图形学学报》 EI CSCD 北大核心 2019年第1期141-157,共17页; 基金国家自然科学基金(61672202); 文摘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FasterRCNN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; Keywords car recognition fine-grained car recognition convolutional neural networks deep learning fine-grained recognition image classification; 分类号 TP391.41 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名融合独立组件的ResNet在细粒度车型识别中的应用被引量：8: 2; 作者陈立潮朝昕曹建芳潘理虎; 机构太原科技大学计算机科学与技术学院忻州师范学院计算机系; 出处《计算机工程与应用》 CSCD 北大核心 2021年第11期248-253,共6页; 基金山西省-中科院科技合作重大项目(20141101001) “十二五”山西省科技重大项目(201211010)。; 文摘针对细粒度车型中子车系间识别率低的问题,同时为了增强卷积神经网络的表征能力,提出融合独立组件的残差网络(IC-ResNet)模型。优化ResNet网络,通过改进下采样层,减少特征信息损失,接着使用中心损失函数和Softmax损失函数联合学习策略,增强模型的类内聚性。在卷积层前引入独立组件(IC)层,获得相对独立的神经元,增强网络独立性,提高模型的特征表示能力,从而对细粒度车型实现更准确的分类。仿真实验表明,该模型在Stanford cars-196数据集上的识别准确率达到94.7%,与其他模型相比,实现了最优效果,从而验证了该车型识别模型的有效性。; 关键词细粒度车型识别残差网络独立组件中心损失; Keywords fine-grained vehicle recognition Residual Network(ResNet) Independent Component(IC) central loss; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于部件关注DenseNet的细粒度车型识别被引量：4: 3; 作者陈立潮朝昕潘理虎曹建芳张睿; 机构太原科技大学计算机科学与技术学院忻州师范学院计算机科学与技术系; 出处《智能系统学报》 CSCD 北大核心 2022年第2期402-410,共9页; 基金山西省自然科学基金项目(201901D111258) 山西省应用基础研究项目(201801D221179).; 文摘针对细粒度车型识别率低,车型区别主要集中在鉴别性部件上以及深度学习不能有效对部件进行关注的问题,提出一种基于部件关注DenseNet(part-focused DenseNet,PF-DenseNet)的细粒度车型识别模型。该模型可以基于细粒度车型的车灯、车标等区分性部件进行有效分类,通过处理层(process layer)对车型部件信息反复加强提取并进行最大池化下采样,获取更多的车型部件信息,然后通过密集卷积对特征通道进一步复用提取,密集卷积前嵌入独立组件(independent component,IC)层,获得相对独立的神经元,增强网络独立性,提高模型的收敛极限。实验结果表明,该模型在Stanford cars-196数据集上的识别准确率、查全率和F1分别达到95.0%、94.9%和94.8%,高于经典卷积神经网络,并具有较小的参数量,与其他方法相比实现了最高准确率,验证了该车型识别模型的有效性。; 关键词细粒度车型识别部件关注密集连接网络独立组件数据增强深度学习特征提取特征复用; Keywords fine-grained vehicle type identification part focus dense connection network independent component data enhancement deep learning feature extraction reuse of characteristics; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于深度卷积神经网络的多任务细粒度车型识别被引量：9: 4; 作者王海瑶唐娟沈振辉; 机构福建江夏学院工程学院安徽工程大学管理工程学院; 出处《图学学报》 CSCD 北大核心 2018年第3期485-492,共8页; 基金福建省中青年教师教育科研项目(JAS160616); 文摘车型识别,尤其是细粒度车型识别是现代智能交通系统的重要组成部分。针对传统车型识别方法难以进行有效的细粒度车型识别的问题,以AlexNet、GoogleNet及ResNet等3种经典深度卷积神经网络架构作为基础网络,引入了车辆的类型分类作为辅助任务,从而与细粒度车型识别任务一起构成了一个多任务联合学习的模型。通过在一个包含281个车型类别的公开数据集上对模型进行训练及测试,在无需任何车辆的部件位置标注及额外的3D信息的情况下,验证了该模型在在细粒度车型识别任务上表现出的优异性能,同时多任务学习策略的引入可使得模型性能相比任一单任务学习时的性能均有所提高,最终实现了一个简洁高效的细粒度车型识别模型,基本满足实际应用需求。; 关键词智能交通细粒度车型识别深度学习神经网络; Keywords intelligent transportation fine-grained vehicle identification deep learning neural networks; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名奇异值分解与中心度量的细粒度车型识别算法被引量：2: 5; 作者蒋行国万今朝蔡晓东李海鸥曹艺; 机构桂林电子科技大学信息与通信学院; 出处《西安电子科技大学学报》 EI CAS CSCD 北大核心 2019年第3期82-88,共7页; 基金 2016年广西科技计划(广西重点研发计划)(桂科AB16380264) 2018年新疆维吾尔自治区重点研发计划(2018B03022-2); 文摘针对细粒度车型识别图像分类因存在冗余特征而导致识别率低的问题,提出一种基于奇异值分解与中心度量的细粒度车型识别算法。首先,提出一种基于奇异值分解卷积神经网络,对全连接层的权重矩阵进行奇异值分解后重新赋值并微调,可以去除具有相关性的冗余特征,学习到细粒度级别的区分性特征;其次,提出一种学习不同特征的融合损失方法,将中心距离损失和分类损失进行加权融合,使得学习的特征类内之间的距离更小。实验表明,该方法使用 Residual Network(ResNet)框架在Cars-196细粒度车型数据集上测试,准确率能够达到93.02%,优于目前表现较好的双线性和注意力模型。扩展实验证明该方法同样适用于其他网络框架。; 关键词细粒度车型识别冗余特征奇异值分解卷积神经网络融合损失; Keywords fine-grained vehicle recognition redundancy feature singular value decomposition convolutional neural networks fusion loss; 分类号 TP183 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于语义DCNN特征融合的细粒度车型识别模型	杨娟曹浩宇汪荣贵薛丽霞	《计算机辅助设计与图形学学报》 EI CSCD 北大核心	2019	12	在线阅读下载PDF 职称材料
2	融合独立组件的ResNet在细粒度车型识别中的应用	陈立潮朝昕曹建芳潘理虎	《计算机工程与应用》 CSCD 北大核心	2021	8	在线阅读下载PDF 职称材料
3	基于部件关注DenseNet的细粒度车型识别	陈立潮朝昕潘理虎曹建芳张睿	《智能系统学报》 CSCD 北大核心	2022	4	在线阅读下载PDF 职称材料
4	基于深度卷积神经网络的多任务细粒度车型识别	王海瑶唐娟沈振辉	《图学学报》 CSCD 北大核心	2018	9	在线阅读下载PDF 职称材料
5	奇异值分解与中心度量的细粒度车型识别算法	蒋行国万今朝蔡晓东李海鸥曹艺	《西安电子科技大学学报》 EI CAS CSCD 北大核心	2019	2	在线阅读下载PDF 职称材料