改进残差网络的多角度车型识别方法

• 作者: 苏欣欣 蒋行国 蔡晓东
• 来源期刊: 电视技术
• 学科: 工学
• 关键词: 残差结构 卷积神经网络 度量学习 复杂交通场景 车型识别
• 年，卷（期）: 2018,（6）
• 所属期刊栏目: 监管与检测
• 页码范围: 93-98
• 页数: 6页
• 分类号: TP391.4
• 字数: 3327字
• 语种: 中文
• DOI: 10.16280/j.videoe.2018.06.023

摘要

在现实交通场景中,现有车型识别方法主要针对正面或侧面角度的车辆,但由于识别角度相对单一并不适用于多角度的车型识别.为满足实际场景下对车型识别要求,提出一种改进的残差结构特征提取网络,对其结构进行加宽改进,网络使用较少参数提取特征,加快整体网络的收敛速度.其次,结合使用基于可调类间距的Softmax Loss度量学习方法(Large-Margin Softmax Loss)进行车型识别,达到增大类间距离并减小类内距离的学习目标,提高识别的准确率.实验表明,本方法能够在交叉路口、林荫道、园区道路等复杂交通场景下进行多角度车型识别,测试识别准确率达97.4％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	蒋行国	桂林电子科技大学信息与通信学院	26	46	4.0	5.0
2	蔡晓东	桂林电子科技大学信息与通信学院	64	228	9.0	12.0
3	苏欣欣	桂林电子科技大学信息与通信学院	2	0	0.0	0.0