近期深度学习架构用于细粒度车辆分类的系统评估
计算机视觉与模式识别
2018-06-11 v1
摘要
细粒度车辆分类是对车辆的品牌、型号和年份进行分类的任务。这是一项极具挑战性的任务，因为不同类型但颜色和视角相似的车辆，往往比同类型但颜色和视角不同的车辆看起来更为相似。车辆的品牌、型号和年份结合车辆颜色——在车辆检索、再识别、跟踪和交通分析等多种应用中十分重要。在本工作中，我们考察了若干近期在大规模图像分类任务上取得顶尖结果的标志性卷积神经网络（CNN）架构，用于细粒度车辆分类任务的适用性。我们比较了 VGG16、若干 ResNet、Inception 架构、近期 DenseNet 和 MobileNet 等网络的性能。分类我们使用 Stanford Cars-196 数据集，该数据集包含 196 种不同类型的车辆。我们研究了 CNN 训练的若干方面，如数据增强以及从头训练与微调的对比。重要的是，我们在架构或训练过程中未引入任何针对车辆分类的特定内容。我们的最终模型达到了 94.6% 的 state-of-the-art 分类准确率，优于所有相关作品，甚至是那些专门为该任务定制的方法，例如包含车辆部件检测的方法。
引用
@article{arxiv.1806.02987,
title = {A Systematic Evaluation of Recent Deep Learning Architectures for Fine-Grained Vehicle Classification},
author = {Krassimir Valev and Arne Schumann and Lars Sommer and Jürgen Beyerer},
journal= {arXiv preprint arXiv:1806.02987},
year = {2018}
}