本文调研了车辆识别中的数据集如Stanford-Cars、CompCar和NTOU Car Color，以及几种方法，包括基于局部特征、三维信息和深度特征的车辆识别技术。在深度学习的应用下，车辆识别的精度得到了显著提升，尤其是在结合浅层学习知识和深度特征的情况下。然而，浅层学习方法如BoW和DPM模型仍然具有研究价值。
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
最低0.47元/天 解锁文章
扫一扫
2437
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
