奇异值分解与中心度量的细粒度车型识别算法

论文摘要

针对细粒度车型识别图像分类因存在冗余特征而导致识别率低的问题,提出一种基于奇异值分解与中心度量的细粒度车型识别算法。首先,提出一种基于奇异值分解卷积神经网络,对全连接层的权重矩阵进行奇异值分解后重新赋值并微调,可以去除具有相关性的冗余特征,学习到细粒度级别的区分性特征;其次,提出一种学习不同特征的融合损失方法,将中心距离损失和分类损失进行加权融合,使得学习的特征类内之间的距离更小。实验表明,该方法使用Residual Network（ResNet）框架在Cars-196细粒度车型数据集上测试,准确率能够达到93.02%,优于目前表现较好的双线性和注意力模型。扩展实验证明该方法同样适用于其他网络框架。

论文目录

• 1 奇异值分解与中心度量学习的网络框架
•   1.1 奇异值分解卷积神经网络的设计
•     1.1.1 奇异值分解卷积神经网络结构
•     1.1.2 奇异值分解学习机制
•     1.1.3 奇异值分解卷积神经网络的训练过程
•   1.2 基于中心距离损失的融合损失方法设计
• 2 实验结果与分析
•   2.1 实验数据与参数设置
•     2.1.1 训练数据库和测试数据库
•     2.1.2 数据预处理
•     2.1.3 实验参数设置
•   2.2 实验结果与分析
•     2.2.1 中心距离损失的性能分析
•     2.2.2 与其他方法的比较与分析
•   2.3 网络框架适应性实验
• 3 结束语

文章来源

类型: 期刊论文

作者: 蒋行国,万今朝,蔡晓东,李海鸥,曹艺

关键词: 细粒度车型识别,冗余特征,奇异值分解卷积神经网络,融合损失

来源: 西安电子科技大学学报 2019年03期

年度: 2019

分类: 信息科技,工程科技Ⅱ辑

专业: 公路与水路运输,计算机软件及计算机应用

单位: 桂林电子科技大学信息与通信学院

基金: 2016年广西科技计划(广西重点研发计划)(桂科AB16380264),2018年新疆维吾尔自治区重点研发计划(2018B03022-2)

分类号: TP391.41;U495

DOI: 10.19665/j.issn1001-2400.2019.03.013

页码: 82-88

总页数: 7

文件大小: 1305K

下载量: 229