多任务学习的车辆结构化信息提取方法

• 作者: 岑跃峰 朱红 王思泰
• 来源期刊: 计算机系统应用
• 关键词: 多任务学习 结构化信息 卷积神经网络 智慧交通系统
• 年，卷（期）: 2020,（12）
• 所属期刊栏目: 系统建设
• 页码范围: 93-99
• 页数: 7页
• 语种: 中文
• DOI: 10.15888/j.cnki.csa.007691

摘要

目前,大部分的车辆结构化信息需要通过多个步骤进行提取,存在模型训练繁琐、各步骤模型训练数据有限和过程误差累加等问题.为此,采用多任务学习将车辆结构化信息提取整合在统一的神经网络之中,通过共享特征提取结构,减少过程误差累加,并构建了一个多任务损失函数用于端到端训练神经网络;针对训练样本有限的问题,提出了新的数据整合和增广方法.在KITTI数据集上实验结果表明,VSENet可以达到93.82％的mAP(均值平均精度),且能达到实时的处理速度;与多阶段的车辆结构化特征提取方法对比,平均运行时间缩减了60％,其精度能达到相似或者更好的效果;实验结果表明,该方法具有一定的先进性和有效性.