Vehicle Type Classification Using Unsupervised Convolutional Neural Network(泛读)

最新推荐文章于 2021-04-19 19:47:12 发布
最新推荐文章于 2021-04-19 19:47:12 发布
阅读量2.1k 收藏 2
点赞数 2
分类专栏： 文献阅读 Machine_Learning Deep_Learning Something_Interesting DL文献阅读与感悟 文章标签： DeepLeaning cnn 文献阅读 Unsurperised
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/sheng_ai/article/details/43332925
版权

一.文献名字和作者

     Vehicle Type Classification Using Unsupervised Convolutional Neural Network, ICPR2014
   

二.阅读时间

     2015年1月31日



三.文献的贡献点

     这篇文章主要是使用sparse filtering的方法对卷积模板进行预训练，同时，作者也将CNN学习到底层特征和高层特征同时输入到softmax中，通过结合描述汽车局部信息的底层特征和描述整体信息的高层特征来获得更好的分类效果。整体结构和另外一篇文章类似，可以说基本一样，只是预训练的过程换成了sparse filtering而已。



四.实验结果

   作者使用一个公开的数据库，但是该数据库的链接已经失效了。




    




版权所有，欢迎转载，转载请注明出处，谢谢微笑











shengno1
关注
  • 2
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Vehicle model recognition from frontal view image measurements
10-15
This paper deals with a novel vehicle manufacturer and model recognition scheme, which is enhanced by color recognition for more robust results. A probabilistic neural network is assessed as a classifier and it is demonstrated that relatively simple image processing measurements can be used to obtain high performance vehicle authentication. The proposed system is assisted by a previously developed license plate recognition, a symmetry axis detector and an image phase congruency calculation modules. The reported results indicate a high recognition rate and a fast processing time, making the system suitable for real-time applications.
车型识别“Vehicle Type Classification Using a Semisupervised Convolutional Neural Network"
cv_family_z的博客
10-15 4250
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
论文笔记29：Hyperspectral Image Denoising Using SURE-Based Unsupervised Convolutional Neural Networks
Hermite Lee的博客
12-07 863
该方法基于无监督的CNN和SURE。该方法与现有的监督学习方法的主要区别在于，基于SURE的损失函数只能从噪声数据中计算。因为SURE是估计量的MSE的无偏估计，所以使用SURE损失训练CNN可以产生与在监督学习中使用具有GT的MSE相似的结果。此外，还提出了一种子空间版本的SURE-CNN来减少运行时间。
BIT-Vehicle Dataset - 车辆车型识别数据集
既然选择了远方 便只顾风雨兼程 - 永强
12-17 2万+
BIT-Vehicle Dataset - 车辆车型识别数据集 http://iitlab.bit.edu.cn/mcislab/vehicledb/ Dataset info The BIT-Vehicle dataset contains 9,850 vehicle images. There are images with sizes of 1600*1200 and 1920*1080 ...
Vehicle Type Classification Using Semi-Supervised Convolutional Neural Network(泛读)
小胜爱捣鼓
01-31 2545
《Vehicle Type Classification Using Semi-Supervised Convolutional Neural Network》泛读笔记
ImageNet Classification with Deep Convolutional Neural Network
02-06
深度卷积神经网络（Deep Convolutional Neural Networks, CNN）** CNN是一种专门处理图像数据的神经网络结构，其核心在于卷积层和池化层。卷积层通过可学习的滤波器来检测图像特征，而池化层则用于降低数据维度，...
Malware Images Classification Using Convolutional Neural Network.pdf
12-10
Deep learning has been recently ... In this paper, we propose a Convolutional Neural Network model for malware image classification that is able to reach 98% accuracy.（仅供学习使用，严谨用于商业范围）
vechicle classification using convolutional neural networks
05-27
vechicle classification；convolutional neural networks
Relation Classification via Convolutional Deep Neural Network
08-24
The state-of-the-art methods used for relation classification are primarily based on statistical machine learning, and their performance strongly depends on the quality of the extracted features....
ImageNet Classification with Deep Convolutional Neural Networks
01-21
By Alex Krizhevsky, Ilya Sutskever, and Geoffrey E. Hinton
Vehicle_Type_Identification:车辆类型自动识别 入门级 大学毕设作品
05-11
Vehicle_Type_Identification 车辆类型自动识别 入门级 大学毕设作品 链接： 密码：d5va
最新车型大全，字段有（首字母，品牌，车系，年份型号，logo，等）树形结构，vehicle_model.sql
09-04
全球最新汽车型号大全，所有的汽车品牌、系列、车型的分类关联sql （途虎养车）同款
Sumo 需求建模_Vehicles, Vehicle Types, and Routes 的定义
LouHerGetUp的博客
04-19 3515
Sumo 中的一个车辆由三部分组成： 描述车辆物理性能的车辆类型 车辆走过的路径 车辆本身 Vehicles and Routes a vehicle with a route owned by him only： <routes> <vType id="type1" accel="0.8" decel="4.5" sigma="0.5" length="5" maxSpeed="70"/> <vehicle id="0" type="type1" dep
1 万张车辆图像及标注数据 - Vehicle_Model_Color_Dataset_10000 - 解析
既然选择了远方 便只顾风雨兼程 - 永强
12-29 4380
1 万张车辆图像及标注数据 - Vehicle_Model_Color_Dataset_10000 - 解析 1 数据产品详情 https://blog.csdn.net/chengyq116/article/details/85345799 2 Vehicle_Model_Color_Dataset_10000_data_preprocessing /usr/bin/python3.5 # #...
2020 ECCV 所有论文及补充材料链接（二）
u014546828的博客
08-24 1万+
2020 ECCV 所有论文及补充材料链接（一） 2020 ECCV 所有论文及补充材料链接（二） ------------------------------------------------------------------ Yet Another Intermediate-Level Attack Qizhang Li, Yiwen Guo, Hao Chen [pdf] [DOI] Topology-Change-Aware Volumetric Fusion for Dynam
jde多目标_ua-detrac数据集上多目标跟踪算法JDE的训练,在,UADETRAC
weixin_39555179的博客
12-21 742
环境：win10，cuda 10.1 , GTX1060一、数据处理1、数据集获取：链接：https://pan.baidu.com/s/1K3rI9PvzHc1KqOJITNMdVg提取码：lox42、数据集格式数据格式也不一定完全按照上面这种，但是必须得保证图片和标签的名字相同。以MOT17(JDE的Modelzoo中下载得到)为例：文件夹结构：labels_with_ids文件夹里面是用转换...
PaperReading:Multi-Object Tracking with Quadruplet Convolutional Neural Networks
demonszjin
04-13 650
论文链接：Multi-Object Tracking with Quadruplet Convolutional Neural Networks 1. 动机 作者提出一种能通过使用quadruplet损失学习关联不同帧之间检测到的目标。该网络同时考虑目标外观和对应时序上的邻近帧用来进行数据关联。不同于常规的排序损失，quadruplet损失受到额外约束的作用使得时间上邻近的检测结果比大时间间隔...
求助北京理工大学BIT-Vehicle Dataset数据集
seu_nuaa_zc的博客
10-19 8961
最近想下载一批有关车辆的数据集，看到了北理工有个实验室公布了一批数据。 与该数据集有关的论文是：“Vehicle Type Classification Using a Semisupervised Convolutional Neural Network”； 知乎上也有人提供了该数据集的相关事宜，链接：https://www.zhihu.com/question/53655758，图片如下：
论文阅读：CVPR2016 Paper list
热门推荐
一亩半分地
05-12 8万+
CVPR2016 accepted paper list
appliance classification using vi trajectories and convolutional neural netw
最新发布
10-30
使用VI轨迹和卷积神经网络进行家电分类是一种利用视觉惯性（VI）传感器数据和深度学习技术的方法。VI传感器是一种能够同时提供视觉和惯性信息的传感器，它可以测量物体的运动、姿态和环境特征。 这种方法的第一步是采集家电使用过程中的VI轨迹数据。通过将VI传感器固定在家电上，可以记录家电在使用过程中的加速度、角速度和视觉图像。这些VI轨迹数据反映了不同家电的使用方式和特征。 接下来，将采集到的VI轨迹数据输入到卷积神经网络（CNN）中进行训练和分类。CNN是一种广泛应用于图像识别和分类的深度学习模型。它能够自动学习提取VI轨迹数据中的特征，并根据这些特征将家电进行分类。 在训练阶段，通过将大量不同类型家电的VI轨迹数据和相应的标签输入到CNN中，可以使网络学习到家电的特征和模式。通过调整CNN的参数和结构，可以提高分类准确率。 在测试阶段，将一个未知家电的VI轨迹数据输入到训练好的CNN模型中，模型将自动提取特征并将其分类为特定类型的家电。这种方法可以实现智能家居中家电的自动分类和识别。 总之，通过使用VI轨迹和卷积神经网络进行家电分类，我们能够利用深度学习技术和视觉惯性传感器数据来自动识别和分类不同类型的家电，提高智能家居系统的智能化水平。
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