Vehicle-Rear：一种用于探索基于卷积神经网络车辆识别特征融合的新数据集
计算机视觉与模式识别
2021-07-28 v3 机器学习
摘要
本工作解决了通过非重叠摄像机进行车辆识别的问题。作为主要贡献，我们引入了一个用于车辆识别的新数据集，称为 Vehicle-Rear，其包含超过三小时的高分辨率视频，并附有近 3000 辆车的品牌、型号、颜色和年份的准确信息，以及其车牌的位置与标识。为探索我们的数据集，我们设计了一个双流 CNN，同时利用两个最显著且持久可用的特征：车辆外观及其车牌。这是为了应对一个主要问题：由设计相似车辆或非常接近的车牌标识所引起的误报。在第一网络流中，形状相似性由一个 Siamese CNN 识别，该网络使用由两台不同摄像机记录的一对低分辨率车辆图像块。在第二流中，我们使用一个用于 OCR 的 CNN 从一对高分辨率车牌图像块中提取文本信息、置信度分数和字符串相似性。然后，两流的特征由一系列全连接层融合以进行决策。在我们的实验中，我们将双流网络与几种使用单一或多个车辆特征的知名 CNN 架构进行了比较。该架构、训练模型和数据集已在 https://github.com/icarofua/vehicle-rear 公开提供。
引用
@article{arxiv.1911.05541,
title = {Vehicle-Rear: A New Dataset to Explore Feature Fusion for Vehicle Identification Using Convolutional Neural Networks},
author = {Icaro O. de Oliveira and Rayson Laroca and David Menotti and Keiko V. O. Fonseca and Rodrigo Minetto},
journal= {arXiv preprint arXiv:1911.05541},
year = {2021}
}