The invention discloses a depth neural network and a training method for fine identification of vehicle attributes. The network comprises a depth residual network for feature extraction of input pictures and obtaining feature maps; a feature migration layer including a plurality of feature migration units for migration and sharing of recognition tasks for each attribute. Features are adapted to specific tasks; multiple full-connection layers, corresponding to each attribute recognition task branch, are connected to the feature migration layer to obtain the feature vectors corresponding to each attribute recognition task; multiple loss calculation units, corresponding to each attribute recognition task branch, are connected to each full-connection layer respectively for cross-entropy operations. The method calculates the loss function for the multi-classifier, and a plurality of parameter updating units, corresponding to each attribute recognition task, connect each loss calculation unit, return the loss and update the parameters by the stochastic gradient descent optimization algorithm. The invention realizes the goal of identifying various refined vehicle attributes simultaneously with only one neural network. Yes.
【技术实现步骤摘要】
一种用于精细化识别车辆属性的深度神经网络及训练方法
本专利技术涉及计算机视觉与模式识别
,特别是涉及一种用于精细化识别车辆属性的深度神经网络及其训练方法。
技术介绍
车辆精细化属性识别技术是智能交通安防领域的一项基本技术,识别车辆属性可以提高计算机对目标车辆的理解,有助于解决一些更难的交通安防领域问题,比如车辆自动检索,车辆重识别。车辆属性识别是计算机视觉与模式识别中的一个经典问题,识别的车辆属性一般有车辆的颜色、车辆的类型、车辆的品牌厂商等,技术应用的场景一般在道路摄像中,识别过往车辆的精细化属性,对车辆分类标签化。解决这类问题的关键技术是图像识别分类算法,其难点在于光照、尺度、遮挡对识别精度的影响。早期采用的车辆属性识别技术以手工特征加上机器学习分类器为主,效果比较好的有采用尺度不变特征(SIFT特征),方向梯度直方图特征(HOG)作为手工特征,用视角词袋框架和支持向量机(SVM)来解决车辆属性分类问题,分别对不同的属性分别建模。后来大家广泛采用深度学习来解决图像分类问题,通过大数据和强大的计算力,用随机梯度下降的优化算法优化网络上千万的参数,让网络很好地提取到车辆的特征,区别于传统方法的是深度网络输出的特征可学,最终通过学习出来的特征要远优于手工特征,这样再用分类器进行分类,效果要比传统的手工特征加上分类器的做法好。深度学习的方法具有很强的学习能力,只要训练数据涉及各类复杂场景(光照、尺度、遮挡),那模型便能在这些复杂的场景表现出优异的性能。公开号为105678275A的中国专利申请揭示了一种车辆识别方法,其先对图片数据预处理,计算全部图片的平 ...
【技术保护点】
1.一种用于精细化识别车辆属性的深度神经网络,包括:深度残差网络,用于对输入的图片进行特征提取,得到特征图,所提取的特征供多个属性识别任务共享;特征迁移层,包括多个特征迁移单元,用于针对各属性识别任务迁移共享的特征,使之更适应于特定的任务;多个全连接层,对应各属性识别任务分支,连接于所述特征迁移层,以得到对应各属性识别任务的特征向量;多个损失计算单元,对应各属性识别任务分支,分别连接各全连接层,用于使用交叉熵作为多分类器的损失函数计算损失,并于损失计算后,通过随机梯度下降优化算法回传损失,更新参数。
【技术特征摘要】
1.一种用于精细化识别车辆属性的深度神经网络,包括:深度残差网络,用于对输入的图片进行特征提取,得到特征图,所提取的特征供多个属性识别任务共享;特征迁移层,包括多个特征迁移单元,用于针对各属性识别任务迁移共享的特征,使之更适应于特定的任务;多个全连接层,对应各属性识别任务分支,连接于所述特征迁移层,以得到对应各属性识别任务的特征向量;多个损失计算单元,对应各属性识别任务分支,分别连接各全连接层,用于使用交叉熵作为多分类器的损失函数计算损失,并于损失计算后,通过随机梯度下降优化算法回传损失,更新参数。2.如权利要求1所述的一种用于精细化识别车辆属性的深度神经网络,其特征在于:所述深度神经网络还包括多个双线性池化单元,连接所述特征迁移层,用于使用双线性池化操作得到判别性更强的特征向量接入全连接层。3.如权利要求1所述的一种用于精细化识别车辆属性的深度神经网络,其特征在于:对于车类型识别,视角识别,颜色识别类间差距比较大的识别任务,使用通用的深度网络图像分类算法,接入一个全连接层,输出一个一维的概率向量,长度为分类的类别数目。4.如权利要求2所述的一种用于精细化识别车辆属性的深度神经网络,其特征在于:对于品牌/子品牌识别任务,使用压缩的双线性池化操作,输入一个特征图,输出一个判别性极强一维的特征向量,然后用一个全连接层将此特征向量转为长度为分类类别数的概率向量。5.如权...
【专利技术属性】
技术研发人员:林倞,周启贤,吴文熙,陈日全,
申请(专利权)人:中山大学,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。