基于改进深度相对距离学习框架的车辆再识别算法

作者：胡聪; 李超; 周甜; 朱爱军; 许川佩^*

来源：仪器仪表学报, 2020, 41(12): 245-252.

DOI：10.19650/j.cnki.cjsi.J2006639

• 卷积神经网络
• 车辆再识别
• 细粒度学习
• 焦点损失函数

随着智慧交通的快速发展,摄像头下的车辆重新识别任务受到了计算机视觉界研究者的高度关注。本文提出一种基于改进深度相对距离学习模型的车辆再识别算法。首先,针对原先深度相对距离学习框架中特征提取网络简单、难以提取车辆特征,提出采用RepNet网络替代原网络架构中的网络。然后,提出在模型中使用焦点损失函数Focal Loss,减少简单样本在训练中所占的权重,解决在车辆再识别数据库中常会出现的正负样本不平衡问题。最后,利用余弦相似度量判断图像之间的相似度。在VehicleID数据集上的实验表明,所提算法的模型车辆型号识别率为98.18%,较原DRDL模型提高了约14.7%,车辆颜色的识别率是96.28%。在车辆再识别任务中,所用模型的MAP值达0.709,较原模型提高约0.16,证明了所提算法的有效性。

• 单位
  桂林电子科技大学; 桂林航天工业学院; 自动化学院