基于BCNN的汽车车型识别研究

最新推荐文章于 2024-04-30 14:37:08 发布
最新推荐文章于 2024-04-30 14:37:08 发布
阅读量3.1k 收藏 15
点赞数 1
分类专栏： 深度学习 文章标签： 细粒度 车型识别
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Ricard_W_L/article/details/91129051
版权

基于BCNN的汽车车型识别研究

实验环境

库：keras , tensorflow 1.10
OS: Ubuntu 16.04

BCNN

双线性CNN网络在细粒度分类上有着很不错的分类效果，具体结构可自行百度，本文已经实现基于vgg16的版本:传送门。参考说明运行BCNN_VGG16.py即可。

A-BCNN

主要针对BCNN参数量大的特点进行了改进，对提取出的feature map进行了卷积降维，最终平均可降低32.8%的模型大小，精度损失<2%：传送门。参考说明运行BCNN_Advanced.py即可。

数据集

数据集是自行建立的，并经过了预处理，以“制造商-型号”的两级分类标准分类，经过预处理以及筛选后共1311类，一共66367张车型图片，拍摄视角均为正前。

其他

目前正在上传数据集，等弄好了链接发上来吧。

Ricard_W_L
关注
  • 1
    点赞
  • 踩
  • 15
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
基于python+BCNN 模型实现一个200 种类鸟类的分类的 iBird 项目
07-09
【作品名称】：基于python+BCNN 模型实现一个200 种类鸟类的分类的 iBird 项目 【适用人群】：适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。 ...
层级分类（续）-使用B-CNN(Branch CNN)实现
weixin_43295229的博客
04-23 6994
一、上回介绍 承接上回多级分类留下的困惑，这一次更新分享一些取得实质的进展！ 在上一篇博客中，我尝试建立这样一个结构的多层次化的分类模型： 然而实际上我构建的是一个这样的一个分类模型： 虽然最终的分类效果还不错，但我也清楚很大程度上是依赖于利用了训练好的VGG16模型，以及当前分类的数目相对较少。这样的实现是难以符合实际工程需求的，因为实际上很多情况下要分类的类别数目是成千上万的，这样简单的分...
B_CNN论文笔记
qq_41997237的博客
09-03 1305
** B_CNN ** 再经过sum-pool 或者maxpool，后加分类模块。 fA：CxM fB: CxN bilinear = MxN -----> reshape to size MN x 1 -----> classification 双线性CNN的梯度传播 实验 本文采用 M（15 layers）conv5+relu ，D（30 layers）conv5-4 + relu。 Low dimensional bilinear CNN models 对称初始化的b-c
论文阅读B-CNN: Branch Convolutional Neural Network for Hierarchical Classification
qq_45584615的博客
04-30 627
PaperGithub 代码图像层次分类，利用CNN的层级结果与树形标签对应，来进行图像层次分类的。使用数据集：MNIST、CIFAR-10和CIFAR-100动机类与类之间往往存在一般-特定的分类排序属性，例如，猫和狗通常可以归为宠物，而椅子和床则是家具，而且猫和床往往比狗更容易区分。这个属性表明可以用分层的方式进行分类，而不是把所有的类都安排在一个“平面”结构中。在进行层次分类时，分类器首先知道苹果应该在水果的粗类别中，然后可以在更精细的级别上将其分类为苹果。
FPGA加速BCNN
qq_56881353的博客
11-06 643
对于许多信号处理应用来说，能够从具有相位信息的复数数据中进行学习是必不可少的。当前实值深度神经网络（DNN）在潜在信息分析方面表现出了较高的效率，但在复数领域的应用还不够。而深度复数网络（Deep complex networks, DCN）可以从复数数据中学习，但计算成本较高，因此，这些技术都不能满足可部署系统处理短观测或短信号突发的即时决策需求。近年来，将 DCN 与二值化神经网络（BNN） 相结合的二值化复数神经网络 （BCNN），在实时分类复数数据方面显示出巨大潜力。 实现这一高性能的结果来自
B-CNNS论文解析
qq_38284961的博客
09-27 3123
B-CNNS 摘要 本文使用了两个CNN提取特征的池化输出来代表图像，并且在一定规则下定位特征交互。但是在工作中发现，双CNN提取的特征有些冗余，可以在精度不下降的前提下减少某些特征，双CNN在其他的分类任务中也是有效的，比如纹理和场景识别。 现存的深度纹理表达有一些缺点，本文的关键方式是纹理表达可以可以写成两种适用网络设计特征的池化输出，网络的结构主要是两个CNN网络提取特征并连接一个bi...
细粒度分类：B-CNN论文笔记——Bilinear CNN Models for Fine-grained Visual Recognition
qq_50001789的博客
06-23 426
论文题目：《Bilinear CNN Models for Fine-grained Visual Recognition》 本文主要提出了用于聚合二阶统计数据的B-CNN架构，以矩阵外积的形式组合一幅图片的两种特征，使网络充分探索零件特征之间的交互关系，从而使网络更好地理解图像，进一步提高模型性能。
分别基于VGG、InceptionV3、BCNN分类算法实现正常人、肺炎患者识别源码(Jupyter Notebook).zip
12-15
分别基于VGG、InceptionV3、BCNN分类算法实现正常人、肺炎患者识别源码(Jupyter Notebook).zip 深度学习项目，三种分类算法python实现源码 VGG神经网络、InceptionV3、BCNN 肺炎患者识别分类 分别基于VGG、...
基于BCNN贝叶斯卷积神经网络的压缩感知恢复附matlab代码.zip
08-21
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（...识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障...
论文研究-基于社会学习的创新扩散模型构建与实证.pdf
09-20
论文研究-基于社会学习的创新扩散模型构建与实证.pdf, 研究异质消费者的社会学习效应和创新扩散模型对于创新企业具有重要意义. 根据社会学习的主体认知过程和消费者网络...
matlab代码sqrt-bcnn:bcnn
05-23
B-CNN：双线性CNN，用于细粒度的视觉识别 由林宗玉，Aruni RoyChowdhury和Subhransu Maji在麻省大学阿默斯特分校创建 介绍 该存储库包含用于在ICCV 2015论文中重现结果的代码： @inproceedings{lin2015bilinear, ...
BCNN_keras：使用keras的双线性CNN实现
02-04
BCNN_keras：使用keras的双线性CNN实现
B-CNNS算法重点内容理解
weixin_37718439的博客
02-21 1133
本文是对2015年论文Bilinear CNNs for Fine-grained Visual Recognition重点内容的理解，由于本人小白，不当之处请指出。 B-CNN architecture 网络CNN streamA擅长对物体／部件进行定位，局部区域检测，CNN streamB对A检测到的物体进行特征提取。两个网络相互协调作用，完成了细粒度图像分类过程中两个最重要的任务：物体、局...
深度学习图像处理：双线性CNN (Bilinear cnn)- 细粒度图像分类模型
热门推荐
qq_16236875的博客
03-07 1万+
定义:双线性CNN 包括两个特征提取器，其输出经过外积相乘，池化后获得图像描述子 优点: 以平移不变的方式，对局部的对级(pairwise)特征交互建模； 能够泛化多种顺序无关的特征描述子，如Fisher向量，VLAD（局部聚合向量，把图像表示为向量），O2P(使用二阶池化方法描述特) 。在实验中CNN 作为特征提取器的双线模型。 双线性形式简化了梯度计算，能够对两个网络在...
Bilinear CNN Model理解(附代码实现)
a645676的博客
05-27 2651
第一次写博客，才刚开始学习深度学习，轻喷(有问题我会及时更正！！！) 个人理解： 在一些类内差异小、但影响因素较大的图像分类任务中，使用全局的CNN特征可能会缺少一些不变性，为了消除这些干扰因素，作者提出了Bilinear CNN Model，比如说： 如果提取的特征和空间位置关联过强，可能也会导致分类错误，例如： 可能我学习到一个船的特征：由船身和船帆组成(学习到的是船帆在船身上方)，而当我给一张由一个完整船和另一个只有船帆的图片，那它可能就......
FPGA加速BCNN，模型20倍剪枝率、边缘设备超5000帧/秒推理吞吐量
gzq0723的博客
10-09 638
计算机视觉研究院专栏作者：Edison_G来自康涅狄格大学等机构的研究者提出了一种基于结构剪枝的 BCNN 加速器，它能以较小的准确率损失获得 20 倍的剪枝率，并且在边缘设备上提供了超过...
层次分类B-CNN代码解读
最新发布
qq_45584615的博客
04-30 745
主要使用Python语言，依托Keras与TensorFlow。具体版本不详。数据集使用MNIST、CIFAR-10和CIFAR-100。
文本匹配、文本相似度模型之ABCNN
发呆的比目鱼的博客
09-06 716
基于注意的卷积神经网络句子对建模
图像风格迁移国内外研究现状
03-28
图像风格迁移是指将一张图片的风格转移到另一张图片上，从而生成一个融合了两张图片风格的新图片。近年来，图像风格迁移在计算机视觉和人工智能领域得到了广泛关注和研究。 国内研究现状： 2015年，百度深度学习实验室提出了基于深度学习的图像风格迁移方法。该方法使用卷积神经网络(CNN)来提取图片的风格和内容特征，并将它们结合起来生成新的图片。 2017年，清华大学、北京大学和微软亚洲研究院联合提出了一种基于局部特征的图像风格迁移方法。该方法使用基于块的卷积神经网络(BCNN)来提取局部特征，并将它们结合起来生成新的图片。 2018年，中国科学院自动化研究所提出了一种基于多尺度卷积神经网络的图像风格迁移方法。该方法使用多尺度卷积神经网络(MCNN)来提取不同尺度的特征，并将它们结合起来生成新的图片。 国外研究现状： 2015年，美国康奈尔大学提出了一种基于神经风格迁移的图像风格迁移方法。该方法将风格和内容特征分别用卷积神经网络提取，然后使用神经网络来将它们结合起来生成新的图片。 2016年，加拿大蒙特利尔大学提出了一种基于生成对抗网络(GAN)的图像风格迁移方法。该方法使用生成器网络和判别器网络来训练模型，从而生成新的图片。 2017年，英国牛津大学提出了一种基于变分自编码器(VAE)的图像风格迁移方法。该方法使用变分自编码器来学习图片的潜在表示，并将它们结合起来生成新的图片。 总体来说，国内外研究人员在图像风格迁移领域取得了很多进展。未来，随着人工智能技术的不断发展，图像风格迁移将有更广泛的应用。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值