车型识别
文章平均质量分 65
cv_family_z
这个作者很懒,什么都没留下…
展开
-
车型识别“A Large-Scale Car Dataset for Fine-Grained Categorization and Verification”
论文的目标如题,对车型进行精细分类,作者构建了一个比较大型的车辆数据库CompCars,涵盖不同视角,包含车辆内部及外部特征,由监控视频获得的数据和从网络上下载的数据组成。文章做了车辆型号识别,认证和属性预测三部分,训练好的模型GoogLeNet_cars在Caffe Model Zoo中。CompCars数据库 网络数据库包含163个品牌1716个车型,共136,727张整车图片,27,618张原创 2015-08-31 17:02:09 · 14127 阅读 · 15 评论 -
车型识别“Vehicle Type Classification Using a Semisupervised Convolutional Neural Network"
使用半监督CNN做车型识别,趋势所致,对大量未标记的数据使用sparse laplacian filter learning(SLFL) 获得卷积的滤波器。分类阶段,使用softmax进行多任务学习,每个车型的模型参数使用latent task 重建,对六类车辆进行分类,总图片数9850张。cnn网络输入图像,输出每类车型的概率,网络包含两步,分别提取低层局部特征和高层全局特征,将低层和高层特征综合原创 2015-10-15 16:44:38 · 4268 阅读 · 0 评论 -
3D识别“3D Object Representations for Fine-Grained Categorization”
数据库:http://ai.stanford.edu/~jkrause/cars/car_dataset.html目标:用3D表示做车型精细识别,基于两种2D表示SPP,BubleBank。 构建了两个数据库:10-BMW,197-car,数据库在网站上下载。 3D几何估计 使用3D CAD模型进行建模,精细识别的第一步是找到一个最合适图像的CAD模型。 合成数据:使用CAD模型渲染出训练数原创 2015-12-24 16:49:30 · 2792 阅读 · 0 评论 -
CompCars模型测试
单张图片测试命令./build/examples/cpp_classification/classification.bin examples/CompCars/deploy_cars.prototxt examples/CompCars/googlenet_finetune_web_car_iter_10000.caffemodel data/CompCars/imagenet_mean_comp原创 2015-09-10 15:28:50 · 7152 阅读 · 24 评论 -
车型识别“Hyper-class Augmented and Regularized Deep Learning for Fine-grained Image Classification”
两个贡献,一是使用hyper-class来增强数据,从网络上搜索hyper-class-labeled的数据,形成多类学习任务。二是公式化精细识别模型和hyper-class识别模型,通过挖掘二者的关系提升识别率。hyper-class 数据增强 数据增强的方法有裁切,镜像,增加随机噪声。但他们的效果有限,主要是信息类似。作者根据图像处理精细类别信息,还有内在的“属性”信息,而且这样的属性标记的图原创 2016-02-29 16:59:06 · 3340 阅读 · 0 评论 -
BoxCars: 3D Boxes as CNN Input for Improved Fine-Grained Vehicle Recognition
CVPR 2016 本文没有开源代码相关文档和代码 https://medusa.fit.vutbr.cz/traffic/research-topics/fine-grained-vehicle-recognition/unsupervised-processing-of-vehicle-appearance-for-automatic-understanding-in-traffic原创 2016-08-17 15:38:08 · 3634 阅读 · 0 评论 -
多任务学习“Embedding Label Structures for Fine-Grained Feature Representation”
论文使用多任务学习框架进行精细的车辆分类,同时学习分类和相似度约束。车辆分类可以分为多层,如品牌、型号、年款,为了对多层之间相关性进行建模,使用triplet loss,将标记的结构如hierarchy的或者shared attributes嵌入到框架中。为了获得精细粒度的特征表示,一些方法加入similarity 约束,如contrastive、tiplet损失。直接使用相似度约束在找相同的实例中原创 2017-10-25 15:20:54 · 2247 阅读 · 2 评论