-
题名基于改进卷积神经网络的机动车图像分类算法
被引量：3
- 1
-
-
作者
王茜
陈一民
丁友东
-
机构
上海大学计算机工程与科学学院
上海市公安局刑事侦查总队科技信息科
-
出处
《计算机应用与软件》
北大核心
2018年第7期263-266,298,共5页
-
文摘
针对大型数据库的精细化车型分类应用较少、预处理复杂,且识别率不高等情况,提出基于改进卷积神经网络的机动车图像分类算法。算法构建了较之Googlenet V3层级更为简单的神经网络模型;基于该CNN网络,增加了基于样本质心距离的正样本保留方案,在缓解样本不均衡的同时,通过巩固类内边界增强了数据可分性;在网络的全连接层采用了基于神经元重要性分值的dropout方法,在去除无效神经元的同时,提升网络的识别效果。实验结果表明,该算法能更为有效地提取图像特征,较之Googlenet V3算法收敛快,训练耗时短,识别率更高,解决实际问题的能力更强。
-
关键词
机动车车型
图像分类
卷积神经网络
难负样本挖掘
DROPOUT
-
Keywords
Vehicle type
Image classification
CNN
Hard negative mining
Dropout
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名复杂环境中基于视觉词袋模型的车辆再识别算法
被引量：4
- 2
-
-
作者
王茜
陈一民
丁友东
-
机构
上海大学计算机工程与科学学院
上海市公安局刑事侦查总队科技信息科
上海大学影视学院
-
出处
《计算机应用》
CSCD
北大核心
2018年第5期1299-1303,共5页
-
文摘
根据公共安全部门在复杂环境中搜索出特定目标的迫切需求,将目标再识别(re-ID)技术应用到车辆识别领域,提出了一种基于视觉词袋(Bo VW)模型的车辆再识别解决方案。首先,为解决复杂环境中遮挡、目标物位姿变化、目标物在图片中的大小位置存在差异等问题,提取出可基于不同尺度、不同位姿的改进基于部件的一对一局部特征(POOF);其次,通过基于欧氏距离的聚类算法获取视觉词袋中的词汇集合;接着,将训练和测试集中的每张图像或目标转换为词袋中的词汇表述集;最后,利用基于改进保持直接简单原则的度量方法(KISSME)上的再排序方法分离出类间距离和类内距离,通过最近邻方法(KNN)获得识别结果。实验结果显示,在基础特征构建环节上该算法比冒泡银行算法(BB)识别率提升了3.85个百分点;其基于KISSME距离度量的改进再排序算法比贝叶斯再访问算法提升了3.14个百分点。最后,算法对目标位姿变化和局部遮挡具有的适应性和整体时效指标,进一步验证了其可适应于复杂环境应用的特色和优越性。
-
关键词
车辆再识别
视觉词袋模型
一对一局部特征
距离度量
再排序
-
Keywords
vehicle re-identification
Bag of Visual Words （BoVW）
Part-based One-vs-One Feature （POOF）
distance metric
re-rank
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
