基于部件关注DenseNet的细粒度车型识别.pdf

基于部件关注DenseNet的细粒度车型识别 DenseNet是一种深度神经网络架构，近年来在图像识别领域中应用广泛。基于DenseNet的模型可以实现高precision的图像识别，但是在细粒度车型识别任务中，传统的DenseNet模型仍然存在一些不足之处。例如，传统的DenseNet模型难以对车型的鉴别性部件进行有效关注，从而影响模型的识别准确率。 为了解决这个问题，本文提出了一种基于部件关注DenseNet（Part-Focused DenseNet，PF-DenseNet）的细粒度车型识别模型。该模型可以基于细粒度车型的车灯、车标等鉴别性部件进行有效分类，通过处理层（process layer）对车型部件信息反复加强提取并进行最大池化下采样，获取更多的车型部件信息，然后通过密集卷积对特征通道进一步复用提取，密集卷积前嵌入独立组件（independent component，IC）层，获得相对独立的神经元，增强网络独立性，提高模型的收敛极限。 PF-DenseNet模型的架构主要由四个部分组成：特征提取层、处理层、密集卷积层和分类层。特征提取层用于提取图像的原始特征，处理层用于对车型部件信息进行加强提取，密集卷积层用于对特征通道进行复用提取，分类层用于对车型进行分类。 在实验中，我们使用了Stanford cars-196数据集来评估PF-DenseNet模型的性能。实验结果表明，该模型在Stanford cars-196数据集上的识别准确率、查全率和F1分别达到95.0%、94.9%和94.8%，高于经典的DenseNet模型。 本文提出了一种基于部件关注DenseNet的细粒度车型识别模型，能够有效地解决传统DenseNet模型在细粒度车型识别任务中的不足之处，并且实验结果表明该模型具有较高的识别准确率和收敛极限。 知识点： 1. DenseNet是一种深度神经网络架构，广泛应用于图像识别领域。 2. 传统的DenseNet模型难以对车型的鉴别性部件进行有效关注，从而影响模型的识别准确率。 3. 基于部件关注DenseNet（Part-Focused DenseNet，PF-DenseNet）模型可以基于细粒度车型的车灯、车标等鉴别性部件进行有效分类。 4. PF-DenseNet模型的架构主要由四个部分组成：特征提取层、处理层、密集卷积层和分类层。 5. PF-DenseNet模型可以对车型部件信息进行加强提取，并且可以获取更多的车型部件信息。 6. 密集卷积层可以对特征通道进行复用提取，增强网络独立性，提高模型的收敛极限。 7. PF-DenseNet模型在Stanford cars-196数据集上的识别准确率、查全率和F1分别达到95.0%、94.9%和94.8%，高于经典的DenseNet模型。 相关文献： [1] Chen Lichao, Chao Xin, Pan Lihu, Cao Jianfang, Zhang Rui. Fine-grained vehicle-type identification based on partially-focused DenseNet [J]. CAAI Transactions on Intelligent Systems, 2022, 17(2): 402-410. [2] 生成对抗网络辅助学习的舰船目标精细识别 [J]. 智能系统学报, 2020, 15(2): 296-301. [3] 基于增强AlexNet的音乐流派识别研究 [J]. 智能系统学报, 2020, 15(4): 750-757. [4] 基于时空约束密度聚类的停留点识别方法 [J]. 智能系统学报, 2020, 15(1): 59-66. [5] 认知视角下的舆论观点句情感计算 [J]. 智能系统学报, 2017, 12(4): 498-503. [6] 基于多粒度结构的网络表示学习 [J]. 智能系统学报, 2019, 14(6): 1233-1242. [7] 一种基于2D时空信息提取的行为识别算法 [J]. 智能系统学报, 2020, 15(5): 900-909.