检索结果-维普期刊中文期刊服务平台

基于多尺度双线性卷积神经网络的多角度下车型精细识别被引量：6: 1; 作者刘虎周野袁家斌《计算机应用》 CSCD 北大核心 2019年第8期2402-2407,共6页; 针对多角度下车辆出现一定的尺度变化和形变导致很难被准确识别的问题,提出基于多尺度双线性卷积神经网络(MS-B-CNN)的车型精细识别模型。首先,对双线性卷积神经网络(B-CNN)算法进行改进,提出MS-B-CNN算法对不同卷积层的特征进行了多尺... 展开更多; 关键词车型精细识别卷积神经网络双线性卷积神经网络中心损失多尺度; 在线阅读下载PDF 职称材料

基于特征融合卷积神经网络的车型精细识别被引量：3: 2; 作者李致金张亮 +1 位作者武鹏丁春健《计算机工程与设计》北大核心 2020年第1期226-230,共5页; 为解决现有车型精细识别方法中存在识别精度低、模型参数规模大等问题,提出一种基于特征融合卷积神经网络的车型精细识别方法。设计两个独立网络(UpNet、DownNet)分别用于提取车辆正面图像的上部和下部特征,在融合网络(FusionNet)中进... 展开更多; 关键词卷积神经网络车型精细识别特征融合独立网络融合网络深度学习; 在线阅读下载PDF 职称材料

基于局部特征与多损失融合的车型精细识别算法被引量：1: 3; 作者李哲胡朋立邓军勇《传感器与微系统》 CSCD 北大核心 2021年第4期142-145,共4页; 针对车型精细识别率低的问题,提出基于局部特征与多损失融合的车型精细识别算法。首先通过Faster RCNN获取区分度较大的车脸区域;然后在识别网络中,借助VGG 16提取车脸特征,在输出层对SoftMax损失和中心损失进行加权融合,有效地引导网... 展开更多; 关键词车型精细识别深度卷积神经网络中心损失多损失融合; 在线阅读下载PDF 职称材料

基于混合类别均衡损失的车型精细识别: 4; 作者李熙莹全峰玮叶芝桧《计算机工程与应用》 CSCD 北大核心 2023年第17期187-194,共8页; 为了应对车型精细识别中数据分布不均衡导致训练中头部类别过拟合,而尾部类别被忽略的问题,提出了一种基于混合类别均衡损失的车型精细识别数据增强方法。结合Mixup数据增强方法和类别均衡损失,提出混合类别均衡交叉熵损失函数;通过均... 展开更多; 关键词车型精细识别细粒度识别混合类别均衡损失长尾分布; 在线阅读下载PDF 职称材料

基于多尺度跃层卷积神经网络的精细车型识别被引量：7: 5; 作者李新叶黄腾《科学技术与工程》北大核心 2017年第11期246-249,共4页; 为解决精细车型识别中特征不具有代表性,且识别准确率低的问题,提出了基于多尺度跃层卷积神经网络(CNN)的车型识别方法。通过多个不同尺度的跃层卷积神经网络,提取适用于精细车型识别的低层局部特征和高层全局特征,并分别训练Softmax分... 展开更多; 关键词精细车型识别卷积神经网络( CNN) 深度学习; 在线阅读下载PDF 职称材料

题名基于多尺度双线性卷积神经网络的多角度下车型精细识别被引量：6: 1; 作者刘虎周野袁家斌; 机构南京航空航天大学计算机科学与技术学院; 出处《计算机应用》 CSCD 北大核心 2019年第8期2402-2407,共6页; 基金江苏省产学研前瞻性联合研究项目(BY2016003-11)~~; 文摘针对多角度下车辆出现一定的尺度变化和形变导致很难被准确识别的问题,提出基于多尺度双线性卷积神经网络(MS-B-CNN)的车型精细识别模型。首先,对双线性卷积神经网络(B-CNN)算法进行改进,提出MS-B-CNN算法对不同卷积层的特征进行了多尺度融合,以提高特征表达能力;此外,还采用基于中心损失函数与Softmax损失函数联合学习的策略,在Softmax损失函数基础上分别对训练集每个类别在特征空间维护一个类中心,在训练过程中新增加样本时,网络会约束样本的分类中心距离,以提高多角度情况下的车型识别的能力。实验结果显示,该车型识别模型在CompCars数据集上的正确率达到了93.63%,验证了模型在多角度情况下的准确性和鲁棒性。; 关键词车型精细识别卷积神经网络双线性卷积神经网络中心损失多尺度; Keywords fine-grained vehicle recognition Convolutional Neural Network (CNN) Bilinear Convolutional Neural Network (B-CNN) center loss multi-scale; 分类号 TP391.4 [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

题名基于特征融合卷积神经网络的车型精细识别被引量：3: 2; 作者李致金张亮武鹏丁春健; 机构南京信息工程大学电子与信息工程学院; 出处《计算机工程与设计》北大核心 2020年第1期226-230,共5页; 基金国家自然科学基金项目(41575155); 文摘为解决现有车型精细识别方法中存在识别精度低、模型参数规模大等问题,提出一种基于特征融合卷积神经网络的车型精细识别方法。设计两个独立网络(UpNet、DownNet)分别用于提取车辆正面图像的上部和下部特征,在融合网络(FusionNet)中进行特征融合,实现车型的精细识别。相较于现有的车型精细识别方法,该方法在提高识别精度的同时,有效压缩了模型参数规模。在基准数据集CompCars下进行大量实验的结果表明,该方法的识别精度可达98.94%,模型参数大小仅为4.9 MB。; 关键词卷积神经网络车型精细识别特征融合独立网络融合网络深度学习; Keywords convolutional neural network fine-grained vehicle model feature fusion independent network fusion network deep learning; 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

题名基于局部特征与多损失融合的车型精细识别算法被引量：1: 3; 作者李哲胡朋立邓军勇; 机构西安邮电大学电子工程学院延安大学物理与电子信息学院; 出处《传感器与微系统》 CSCD 北大核心 2021年第4期142-145,共4页; 基金国家自然科学基金资金项目(63602377)。; 文摘针对车型精细识别率低的问题,提出基于局部特征与多损失融合的车型精细识别算法。首先通过Faster RCNN获取区分度较大的车脸区域;然后在识别网络中,借助VGG 16提取车脸特征,在输出层对SoftMax损失和中心损失进行加权融合,有效地引导网络学习类内距离较小、类间距离较大的特征。实验结果表明:所提算法在中山大学VRID-1数据集的识别准确率为98.80%,车型精细识别准确率得到了明显的提升。; 关键词车型精细识别深度卷积神经网络中心损失多损失融合; Keywords vehicle model fine recognition deep convolutional neural network center loss multi-loss fusion; 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

题名基于混合类别均衡损失的车型精细识别: 4; 作者李熙莹全峰玮叶芝桧; 机构中山大学智能工程学院智能交通研究中心广东省智能交通系统重点实验室视频图像智能分析与应用技术公安部重点实验室; 出处《计算机工程与应用》 CSCD 北大核心 2023年第17期187-194,共8页; 基金国家重点研发计划项目(2018YFB1601100)。; 文摘为了应对车型精细识别中数据分布不均衡导致训练中头部类别过拟合,而尾部类别被忽略的问题,提出了一种基于混合类别均衡损失的车型精细识别数据增强方法。结合Mixup数据增强方法和类别均衡损失,提出混合类别均衡交叉熵损失函数;通过均衡子集微调的训练策略,进一步提高了长尾分布数据的识别效果。实验结果表明,算法在Stanford Cars、CompCars、SYSU Cars数据集上的识别准确率分别比Baseline提高了1.07、0.17和1.58个百分点,有效地缓解了因车型数据不均衡带来的问题,进一步提高了车型精细识别的识别效果。其中SYSU Cars为自建数据集,由66137张车辆正脸图片构成,包含102种品牌,691种车型以及不同的光照条件(即将在OpenITS上公开)。; 关键词车型精细识别细粒度识别混合类别均衡损失长尾分布; Keywords fine-grained vehicle model recognition fine-grained recognition mixed class balance loss long-tailed distribution; 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

题名基于多尺度跃层卷积神经网络的精细车型识别被引量：7: 5; 作者李新叶黄腾; 机构华北电力大学电子与通信工程系; 出处《科学技术与工程》北大核心 2017年第11期246-249,共4页; 基金河北省教育厅指导性计划项目(Z2012038)资助; 文摘为解决精细车型识别中特征不具有代表性,且识别准确率低的问题,提出了基于多尺度跃层卷积神经网络(CNN)的车型识别方法。通过多个不同尺度的跃层卷积神经网络,提取适用于精细车型识别的低层局部特征和高层全局特征,并分别训练Softmax分类器。利用自适应方式融合方法,将多个单一尺度跃层卷积神经网络的识别结果进行融合,调整不同网络对识别结果的贡献。实验中车型识别准确率达到97.59%。实验结果表明多尺度跃层卷积神经网络适用于精细的车型识别,并能提高识别的准确率。; 关键词精细车型识别卷积神经网络( CNN) 深度学习; Keywords fine vehicle recognition convolutional neural network （CNN） deep learning; 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	作者	出处	发文年	被引量	操作
1	基于多尺度双线性卷积神经网络的多角度下车型精细识别	刘虎周野袁家斌	《计算机应用》 CSCD 北大核心	2019	6	在线阅读下载PDF 职称材料
2	基于特征融合卷积神经网络的车型精细识别	李致金张亮武鹏丁春健	《计算机工程与设计》北大核心	2020	3	在线阅读下载PDF 职称材料
3	基于局部特征与多损失融合的车型精细识别算法	李哲胡朋立邓军勇	《传感器与微系统》 CSCD 北大核心	2021	1	在线阅读下载PDF 职称材料
4	基于混合类别均衡损失的车型精细识别	李熙莹全峰玮叶芝桧	《计算机工程与应用》 CSCD 北大核心	2023	0	在线阅读下载PDF 职称材料
5	基于多尺度跃层卷积神经网络的精细车型识别	李新叶黄腾	《科学技术与工程》北大核心	2017	7	在线阅读下载PDF 职称材料