基于深度学习的城市场景细粒度车辆分类
计算机视觉与模式识别
2021-11-19 v1
摘要
日益密集的交通正成为本地环境中的挑战，迫切需求更好的交通监测与管理系统。相比车辆粗分类，细粒度车辆分类显得是一项艰巨任务。因此本质上需要探索一种鲁棒方法将车辆检测并分类为细粒度类别。现有车辆品牌与型号识别（VMMR）系统已在同步受控交通条件下开发。在复杂、城市、异质且异步交通条件下的鲁棒VMMR仍属开放研究领域。本文使用深度学习解决车辆检测与细粒度分类。为执行具相关复杂性的细粒度分类，专门准备了具有高通类内和低类间差异的本地数据集THS-10。该数据集包含10种车型的4250张车辆图像，即本田City、本田Civic、铃木Alto、铃木Bolan、铃木Cultus、铃木Mehran、铃木Ravi、铃木Swift、铃木Wagon R和丰田Corolla。该数据集在线可用。探索并分析了两种车辆分类方法：深度神经网络微调与特征提取。进行了比较研究，表明较简单方法在本地环境中处理密集遮挡和车道偏离等复杂问题可产生良好结果，从而降低计算负载与时间，例如微调Inception-v3以2.08%最低误分类率产生97.4%最高准确率。微调MobileNet-v2和ResNet-18分别产生96.8%和95.7%准确率。从AlexNet的fc6层提取特征产生93.5%准确率与6.5%误分类率。
引用
@article{arxiv.2111.09403,
title = {Fine-Grained Vehicle Classification in Urban Traffic Scenes using Deep Learning},
author = {Syeda Aneeba Najeeb and Rana Hammad Raza and Adeel Yusuf and Zamra Sultan},
journal= {arXiv preprint arXiv:2111.09403},
year = {2021}
}