多层前馈结构从大规模数据集学习层次特征,在图像分类识别任务中取得了出色的性能。目前基于 CNN 的车辆识别研究中,在采用端到端模式的识别方法在性能上达到一个瓶颈时,通常会采用 2 种方案提升性能:一种是结合浅层学习知识和深度特征完成分类识别;另一种是将相关的领域知识和浅层学习技术融入到深度网络中,构建一个新的端到端网络结构,从而提升图像分类的精度。
数据集
车辆识别常用公共数据集
Stanford-Cars [51]、CompCar [66]、Vehicle Color [18]
Stanford-Cars 数据集 [51]
是覆盖了多种规格 (轿车、轿跑车、敞篷车、两厢车和货车等)、不同拍摄角度、不同分辨率等变化的细粒度车辆数据集,具体包含了 2 个评测集:一个是超细粒度车辆识别数据集,称为 BMW-10,包含 10 款宝马轿车,共 512 幅图像。另一个是细粒度车辆识别数据集,称为 Car-196,共包含 196 类的车辆,总共有 16185 幅图像。由于涵盖了车辆的不同角度,尺度变化极大,同时还包括了多种规格车型。
浅层学习方法主要以基于局部特征结合不同的特征表达方法为主。随着识别方法的不断改进,提升幅度较小,这说明对于车型的