基于深度学习的细粒度车辆分类模型

这篇文章结构清晰，特别值得学习，图片很多，但是整体很整齐，但是个人觉得结果这部分展示的不够充分，包括准确率没有展示可靠的图线依据，这篇文章从最基本的爬数据来创建数据集做起，工程量巨大，全篇涉及到了目标检测，分类。其实整体上并没有什么大的创新的地方，只是做了一项比较庞大的工程。结合贝叶斯分类算全篇的创新点吧。

题目：A model for fine-grained vehicle classification based on deep learning

摘要：提出了一个基于深度学习的细粒度车辆分类模型来处理复杂的交通场景。这个模型分成两部分，车辆检测模型和车辆细粒度检测和分类模型。车辆检测模型中应用Faster R-CNN方法从含有多个目标的复杂背景图片中提取出单一车辆图片。这一步为下一步分类模型提供了数据。在车辆细粒度分类模型中，一张图片只包含一辆车放入分类模型中提取特征，然后结合贝叶斯网络实现细粒度分类操作。实验结果显示使用我们的模型可以从交通图片中高效的识别出车辆的品牌和型号。另外，为了尽早的建立一个大规模数据集，本文提出了一个协调注释机制。

1.引言

随着智慧城市中智能交通的发展，应用于智能交通系统的核心技术发展迅速，持续更新。1970年，只有电磁线圈应用于车辆检测，但是现在，其他的技术比如雷达，超声波，红外线和视频图片广泛应用于现实中。随着越来越多的数字视频监控应用于交通道路，可见光车辆检测方法已经成为计算机视觉科学家近来的研究问题。

作为目标检测的一个应用领域，车辆检测在智能交通系统，无人驾驶和公共安全中扮演着重要角色。检测过后，我们可以更深入在细节方面进行分类。如果应用于公共安全方面，该技术可以帮助更快的处理刑事案件。即使犯罪车辆逃逸了，我们依然可以根据车辆品牌，型号，颜色和车牌号进行追查。在这种情况下，车辆的细粒度分类不可或缺。

但是事实上，目标的内部分类差异是极其细微的，甚至有些时候内部差异比外部差异更大，所以研究细粒度分类是非常有挑战性的。该研究可能优先于人脸检测，动作识别和自动场景表述等等。

如果车辆细粒度分类应用于交通和公共安全，我们可以获得更多媒体数据如车的品牌，型号，标志，出产年份，最大速度和加速度等等。依靠应用这些动态的信息，我们可以建立一个大型的智能交通系统来监控整个城市道路。另外，我们可以分析不同时刻道路车辆情况，找到人们出行规律，然后我们可以有根据的指定交通规则，这将使城市更智能。

2.相关工作

本文中我们针对三个问题，它们是如何建立大规模数据集；如何对自然图片实现车辆检测；如何对车辆进行细粒度分类。

2.1数据集生成方法

介绍了小图片数据集有哪些，大图片数据集有哪些。提到扩增数据集的方法无外乎旋转，裁剪，镜像。

2.2车辆检测方法

介绍了一些论文中提到的方法实现了检测的准确率如和如何。

2.3细粒度车辆分类方法

说了细粒度分类方法主要用于鸟，猫，花，飞机，狗，行人的分类和动作识别，车辆的细粒度分类研究很少，分别介绍了几篇文章中提到的车辆的细粒度检测。

这篇文章，我们提出了一种新型的方法，有以下三种优势：1.使用协同注释机制生成大规模标注的车辆图片。2.使用Faster R-CNN方法在现存的图片中检测车辆并生成画面中只有一辆车的图片。3.使用CNN模型结合贝叶斯网络对车辆进行细粒度分类。

3.网络结构

 

4.执行细节

使用深度学习方法实现高效的细粒度车辆分类需要解决三个问题：1.如何建立一个大规模数据集来适应细粒度分类。2.如何在复杂背景下获得检测图片，然后提取出图片作为接下来分类模型的输入。3.如何安排识别不同车辆的关键特征的顺序，然后将各部分结合在一起进行细粒度分类。

4.1建立一个大规模数据集

1. 爬虫爬取图片
2. 网页版协作注释平台
3. 大规模车辆数据集

 

 

4.2车辆检测模型

车辆检测模型可以检测出一张复杂背景图片中所有车辆，然后提取它们作为子图片。过程如下：

 

4.2.1卷积神经网络

 

4.22局部建议网络

5.车辆细粒度分类模型

 

6.实验结果

本文中使用的数据集分成了三部分：整车数据集，含有部分车数据集，无车数据集。整车数据集用来做检测，部分车数据集用来做分类，无车数据集无用。

6.1车辆检测结果

仅用图片展示了一下，检测准确率在85%，每秒5张图片。

6.2细粒度分类结果

分类准确率在89%

 

 

 

 

 

7.总结