BoxCars: 3D Boxes as CNN Input for Improved Fine-Grained Vehicle Recognition

最新推荐文章于 2022-06-06 20:02:29 发布
最新推荐文章于 2022-06-06 20:02:29 发布
阅读量3.5k 收藏 2
点赞数 3
分类专栏： CVPR 2016 ZJ 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/cv_family_z/article/details/52231509
版权
ZJ 同时被 3 个专栏收录
78 篇文章 0 订阅
订阅专栏
CVPR 2016
36 篇文章 0 订阅
订阅专栏
车型识别
7 篇文章 1 订阅
订阅专栏

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-surveillance/

本文使用 3D 矩形框相关信息作为 CNN 输入来提高车型识别

这里写图片描述

CNN 网络的输入图像是 unpacked version of the vehicles，辅助信息是 rasterized bounding boxes（车辆侧面，顶部，前部信息） 和 encoded viewpoints（车辆视角信息）

3.1. Unpacking the Vehicles’ Images
这是对车辆图像的一种归一化，将车的三个面：front/rear (F), side (S), and roof (R)提取出来，拼成一幅图像。
这里写图片描述

这里写图片描述

3.2. Viewpoint Encoding
车辆视角信息
这里写图片描述

3.3. Rasterized Bounding Boxes

这里写图片描述

4 BoxCars: New Dataset for Surveillance Vehicle Verification

这里写图片描述

这里写图片描述

每个模块对性能提升的量：
这里写图片描述

cv_family_z
关注
  • 3
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
BoxCars:与BoxCars出版物相关的源代码-Box source code
03-24
棚车对车辆的细粒度识别 这是Keras + Tensorflow对我们对BoxCars中描述的车辆进行细分类的方法的重新实现：使用交通监控中的3D边界框改进车辆的细粒度识别（）。 数值结果略有不同，但相似。 此代码仅用于研究目的。 如果您使用该代码，请引用我们的论文： @ARTICLE{Sochor2018,  author={J. Sochor and J. Špaňhel and A. Herout},  journal={IEEE Transactions on Intelligent Transportation Systems},  title={BoxCars: Improving Fine-Grained Recognition of Vehicles Using 3-D Bounding Boxes in Traffic Surveillance},  year={201
论文阅读笔记（一）
m0_47138895的博客
01-31 264
*论文阅读笔记（一）* ****论文题目：****BoxCars: Improving Fine-Grained Recognition of Vehicles using 3D Bounding Boxes in Traffic Surveillance(链接:https://link.zhihu.com/?target=https%3A//arxiv.org/pdf/1703.00686) *关键词解析：* Fine-grained:就是比普通的图像识别（分类）再精细化一些，比如不但要识别这是一条狗，
BoxCar116k数据集学习
weixin_44136758的博客
09-09 590
数据集包括以下内容： images - dataset images and masks 图片和掩摸（算是对图片轮廓的提取） atlas.pkl - BIG structure with jpeg encoded images, which can be convenient as the whole structure fits the memory and it is possible to...
车辆重识别/再辨识数据集： Vehicle Re-ID Datasets Collection
最新发布
weixin_44898889的博客
06-06 2987
车辆重识别数据集
可能用到的数据集记录
扯着扯着就淡淡了
06-26 420
KITTI数据集简介： http://lib.csdn.net/article/autonomous/62984SSD: Single Shot MultiBox Detector 训练KITTI数据集（1） http://blog.csdn.net/jesse_mx/article/details/65634482 https://github.com/manutdzou/KITTI_SS
BoxCars：交通监控场景利用3Dbbox进行车辆细粒度分类
abrams90的专栏
07-31 3129
BoxCars：Improving Fine-Grained Recognition of Vehicles using 3D Bounding Boxes in Traffic Surveillance Abstract 本文中我们专注于交通应用中的细粒度车辆识别研究。本文提出了一种与当前细粒度识别（自动部件识别，bilinear pooling）发展方向一致的算法。此外，与其它专注于细粒度...
Stanford Cars数据集的下载与使用
景唯acr
11-09 1万+
本篇博客主要介绍Stanford Cars数据集的下载与使用 Stanford Cars数据集主要用于细粒度分类任务。数据集中一共包含16185张不同型号的汽车图片，其中8144张为训练集，8041张为测试集。 官网下载链接： http://ai.stanford.edu/~jkrause/cars/car_dataset.html 官网中有两个版本的数据集，在旧版本中没有测试集的标注，我们要下载...
【深度学习】细粒度图像识别 (fine-grained image recognition)
热门推荐
JNing
02-02 2万+
【深度学习】细粒度图像识别 (fine-grained image recognition)
论文阅读(2)--Picking Deep Filter Responses for Fine-grained Image Recognition
AI 算法笔记
10-08 3737
这次阅读的文章是Picking Deep Filter Responses for Fine-grained Image Recognition，这篇文章是来自上海交通大学Xiaopeng Zhang等人的工作，该文章提出了一种对深度网络中的filter进行挑选的方法，基于挑选的filter的结果构建复杂特征表达。
3D识别“3D Object Representations for Fine-Grained Categorization”
cv_family_z的博客
12-24 2745
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
matlab中jpeg图像编解码代码-boxcars:棚车
05-27
Fine-Grained Recognition of Vehicles Using 3-D Bounding Boxes in Traffic Surveillance},  year={2018},  volume={PP},  number={99},  pages={1-12},  doi={10.1109/TITS.2018.2799228}, 
boxcars：Rust中的Rocket League重播解析器
02-09
Boxcars是用Rust编写的重播解析器库。 产品特点 :heavy_check_mark: 安全：稳定的锈蚀，没有不安全的情况 :heavy_check_mark: 快速：每个CPU内核每秒解析一百次重播 :heavy_check_mark: 模糊：对潜在的恶意输入...
boxcars-archived：Go中易于配置的静态Web和反向代理服务器
02-19
$ go get github.com/azer/boxcars/boxcars 用法 像下面的示例一样，创建一个配置文件（启动后将自动加载更改） 。 { " foo.com " : " /home/you/sites/foo.com " , " *.bar.net " : " localhost:8080 " , " qux...
matlab中jpeg图像编解码代码-boxcar_GD:boxcar_GD
05-27
Fine-Grained Recognition of Vehicles Using 3-D Bounding Boxes in Traffic Surveillance},  year={2018},  volume={PP},  number={99},  pages={1-12},  doi={10.1109/TITS.2018.2799228}, 
SSD: Single Shot MultiBox Detector 之再阅读
cv_family_z的博客
07-14 2万+
SSD: Single Shot MultiBox Detector 第一版 8 Dec 2015，第二版是30 Mar 2016，主要改进是内容更加详实，实验更加丰富，尤其是和 Faster R-CNN 和 YOLO 做了对比，其优势比较明显。 SSD 一句话就是速度快，效果好！ SSD把 候选区域提取取消了。The fundamental improvement in speed comes f
Deep Residual Learning for Image Recognition
cv_family_z的博客
12-16 1万+
这是微软方面的最新研究成果， 在第六届ImageNet年度图像识别测试中，微软研究院的计算机图像识别系统在几个类别的测试中获得第一名。本文是解决超深度CNN网络训练问题，152层及尝试了1000层。随着CNN网络的发展，尤其的VGG网络的提出，大家发现网络的层数是一个关键因素，貌似越深的网络效果越好。但是随着网络层数的增加，问题也随之而来。首先一个问题是 vanishing/exploding g
SSD: Single Shot MultiBox Detector
cv_family_z的博客
01-07 1万+
本文算是 Faster R-CNN, YOLO 算法的改进版吧，它将检测和分类融合到一起去了，对每个可能的检测框赋予一个类别的概率。本文的速度到底有多快，也没说啊我们将整个特征层分为 4*4 ， 8*8 个网格，对每个网格位置，计算可能类别可能尺寸的概率，prior。 三个类别的检测效果 PASCAL VOC2012 test detection results
视频目标检测 - Object Detection from Video Tubelets with Convolutional Neural Networks
cv_family_z的博客
10-20 1万+
CVPR2016code： https://github.com/myfavouritekk/vdetlib基于静态图像的CNN目标检测问题已经很多人研究。而基于视频的CNN目标检测问题则是刚刚起步。主要问题是目标检测和跟踪的有效结合。针对视频中的目标，单独的检测和单独的跟踪都会有波动。我们的视频目标检测框架图： 主要包括两个模块： 1 a spatio-temporal tubelet p
CNN网络二值化--XNOR-Net： ImageNet Classification Using Binary Convolutional Neural Networks
cv_family_z的博客
07-15 1万+
XNOR-Net: ImageNet Classification Using Binary Convolutional Neural Networks本文主要是简化CNN网络，使得CNN网络能够在CPU实时跑起来，但是会牺牲一些精度。本文提出了两个不同的简化网络 ：Binary-Weight-Networks 和 XNOR-Networks。Binary-Weight-Networks 只是对CN
去雾 - Non-Local Image Dehazing
cv_family_z的博客
10-18 1万+
CVPR2016Non-Local Image Dehazing code: http://www.eng.tau.ac.il/~berman/NonLocalDehazing/简单明了的图像去雾算法。首先一幅彩色图像的RGB颜色值可以通过几百个RGB值来表示，类似图像压缩中的调色板。一幅没有雾的彩色图像近似RGB值在 RGB空间分布为一个 cluster，但是在有雾的彩色图像这些RGB值在RGB

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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