面向实时车型识别的无监督特征学习
计算机视觉与模式识别
2018-06-11 v1
摘要
车型识别(MMR)系统提供了一种全自动框架，用于识别和分类不同车型。已有多种方法被提出以应对该挑战，但它们只能在受限条件下工作。在此，我们将车型识别表述为一个细粒度分类问题，并提出一种新的可配置道路车型识别框架。我们利用了无监督特征学习方法，更具体地，采用局部约束线性编码(LLC)方法作为快速特征编码器，对输入的SIFT特征进行编码。所提方法可在不同条件的真实环境中工作。该框架能够识别五十种车型，并具有将不属于指定五十类中的任何其他车辆分类为未知车辆的优势。所提MMR框架可根据应用领域配置为更快或更准确。该方法在两个数据集上进行了验证，包括伊朗道路车辆数据集和CompuCar数据集。伊朗道路车辆数据集包含在真实情况下由交通摄像头在不同天气和光照条件下捕获的50种车型图像。实验结果表明，所提框架在伊朗道路车辆数据集上优于现有最优方法，在CompuCar数据集上取得可比结果，准确率分别为97.5%和98.4%。
引用
@article{arxiv.1806.03028,
title = {Unsupervised Feature Learning Toward a Real-time Vehicle Make and Model Recognition},
author = {Amir Nazemi and Mohammad Javad Shafiee and Zohreh Azimifar and Alexander Wong},
journal= {arXiv preprint arXiv:1806.03028},
year = {2018}
}
备注
15 pages include 14 figures and 5 tables