面向恶劣环境下的车辆颜色识别：数据集与基准

车辆信息识别在诸多实际场景中至关重要，尤其是刑事调查领域。车辆颜色识别 (VCR) 因颜色作为车辆的视觉可区分属性且不易受到部分遮挡和视角变化的影响，引发了广泛关注。尽管现有方法在此任务上取得了显著成果，但文献中使用的相对低复杂度数据集的挑战性被大体忽略。本研究填补了这一空白，通过构建新的数据集来代表更具挑战性的 VCR 场景。该数据集由六个车牌识别数据集来源，包含十一种颜色，标注经官方车辆登记信息验证。我们在广泛采用的基准数据集和本文提出的数据集上，对四个深度学习模型进行评估，以建立基准。结果表明，所提数据集对所测试模型构成更大难度，并揭示了 VCR 中需进一步探索的情形。值得注意的是，夜间场景占据了最佳模型所犯错误的显著比例。本研究为未来 VCR 研究提供了基础，同时为细粒度车辆分类领域提供了有价值的洞见。