基于深度学习联合多损失函数的车辆重识别算法研究-文献详情-维普官网

文献检索

任意字段

文献信息

任意字段
主题词
篇关摘
篇名
关键词
摘要
作者
第一作者
作者单位
刊名
中图分类号
学科分类号
DOI
基金

智能检索

高级检索

检索历史

基于深度学习联合多损失函数的车辆重识别算法研究认领

被引量： 1

作者：

陈威

学位授予单位：

西安电子科技大学

摘要：

重识别(Re-identification,Re-ID)又叫作再识别或跨镜追踪技术,其主要用于解决跨摄像头、跨场景下行人或车辆的匹配、识别与检索问题。车辆重识别(Vehicle Re-identification)作为Re-ID技术的重要任务之一,其目的是在视频监控系统中匹配到由不同外界条件、不同摄像机拍摄到的同一车辆目标,对于搜索犯罪嫌疑车辆、违章车辆罚判、智能交通管理以及无人驾驶等方面具有重要意义。车辆重识别不同于车型分类、车牌检测与车脸识别等技术,其一般针对无法使用车牌信息的情况,不仅要判断两辆车是否属于同一个精确车型,还需要确定两辆同一年款、相同颜色的车是不是同一辆车,因此车辆重识别技术更精细且更具挑战性。本文针对车辆重识别算法展开深入研究,利用深度学习的方法提出了有效的表征学习框架,并通过加入重排序算法提高车辆重识别的整体精度,同时利用生成对抗网络联合Re-ID模型实现小训练样本下的高精度识别,从而有效改善了车辆重识别数据集难获取的问题。主要工作如下:为了解决场景复杂度造成的低精度问题,例如相同及相似车型的微小差异、遮挡以及光照强度变化、拍摄角度变化等现象而导致的重识别率低,本文提出多向细粒度划分网络联合多损失优化来提取有效的图像特征,该网络使用Res Net50作为基础特征提取网络,将原始Res Net50中最后一个模块Conv5的下采样步幅设置为1,保证完整尺寸的特征图来提取基础特征张量;之后分为三个大分支,分别提取其全局特征与局部细粒度特征,同时添加软划分策略并联合多损失进行优化训练;最后加入改进后的重排序算法,提高了整体检索精度。实验结果表明,本文提出的多向细粒度划分网络能够在车辆重识别任务中取得较为满意的重识别准确率,同时在加入改进过的重排序算法后识别精度会得到进一步的提高。为了解决训练数据难获取,小训练样本下重识别精度低的问题,本文使用生成对抗网络联合Re-ID模型方法。该方法将Re-ID模型嵌入生成模块之中,既作为特征提取器为生成模块提供外观特征,帮助生成器生成车辆图像;又作为特征鉴别器,将生成图像返回至Re-ID模型中进一步微调整个模型,从而实现在小训练样本上较高精度的重识别率。实验结果表明,本文使用的基于生成对抗网络联合Re-ID模型能够有效提高在小数据训练样本上的重识别精度,可以较好的改善数据不易获取的难题。综上所述,本文针对车辆重识别技术的两个难点问题设计的两种不同算法都取得了良好的效果,为未来的车辆重识别方法的研究提供了新的思路。

摘要译文

关键词：

车辆重识别; 多向细粒度划分网络; 软划分; 重排序; 生成对抗网络

学位年度：

2021

学位类型：

硕士

学科专业：

信号与信息处理

导师：

高新波

中图分类号：

U495[电子计算机在公路运输和公路工程中的应用];TP18[人工智能理论];TP391.41[图形图像识别]

学科分类号：

082301[交通运输规划与管理];082304[交通信息与控制];083803[交通管理工程];140506[人工智能应用];081103[系统工程];081104[模式识别与智能系统];081107[建模仿真理论与技术];083804[安全防范技术与工程];083805[警务大数据技术];140502[人工智能]

D O I：

10.27389/d.cnki.gxadu.2021.000701