基于部件关注DenseNet的细粒度车型识别

作者：陈立潮; 朝昕; 潘理虎; 曹建芳; 张睿

来源：智能系统学报, 2021, 1-9.

• 细粒度车型识别
• 部件关注
• 密集连接网络
• 独立组件
• 数据增强
• 深度学习
• 特征提取
• 特征复用

针对细粒度车型识别率低，车型区别主要集中在鉴别性部件上，深度学习不能有效对部件进行关注的问题，提出一种基于部件关注DenseNet （part-focused DenseNet， PF-DenseNet）的细粒度车型识别模型，该模型能基于细粒度车型的车灯和车标等区分性部件进行有效分类，首先通过处理层（process layer）对车型部件信息反复加强提取并进行最大池化下采样，获取更多的车型部件信息，然后通过密集卷积对特征通道进一步复用提取，密集卷积前嵌入独立组件（independent component， IC）层，获得相对独立的神经元，增强网络独立性，提高模型的收敛极限。实验表明，该模型在Stanford cars-196数据集上的识别准确率、查全率和F1分别达到95.0%、94.9%和94.8%，高于经典卷积神经网络，并具有较小的参数量，与其他方法相比实现了最高准确率，验证了该车型识别模型的有效性。

• 单位
  忻州师范学院; 太原科技大学