【摘 要】
：
随着国家经济水平的迅速提升和道路建设的快速发展,近十年我国各城市机动车数量不断增加。交通问题已经成为城市管理的重要问题,给城市社会经济发展造成严重影响。智能交通系统是未来交通系统的重要方向。车辆细粒度分类是智能交通视频分析的关键技术。车辆细粒度分类的目的是给定一帧车辆的视频图像,识别出该车辆的具体车型。车辆细粒度分类已有不少研究成果,然而依然是亟需解决的难题,面临类内差异过大和类间差异过小的挑战。
论文部分内容阅读
随着国家经济水平的迅速提升和道路建设的快速发展,近十年我国各城市机动车数量不断增加。交通问题已经成为城市管理的重要问题,给城市社会经济发展造成严重影响。智能交通系统是未来交通系统的重要方向。车辆细粒度分类是智能交通视频分析的关键技术。车辆细粒度分类的目的是给定一帧车辆的视频图像,识别出该车辆的具体车型。车辆细粒度分类已有不少研究成果,然而依然是亟需解决的难题,面临类内差异过大和类间差异过小的挑战。为提高车辆细粒度分类的精度,本文主要从以下三个方面研究车辆细粒度分类技术:（1）为设计合理可行的研究路线,本文对车辆细粒度分类作了较为广泛和深入的文献调研,总结归纳了各主要算法,并在多个有影响力的车辆细粒度分类数据集上对比各类算法的性能。（2）为充分利用车辆的视角信息,本文构建了一种多任务学习算法,利用视角估计任务提高车辆细分类任务的精度。在Box Cars和Comp Cars上的实验结果表明,本文提出的多任务模型相对基准算法在精度上有了较大提升,可以较好地利用几何视角估计任务提升车辆细粒度分类的精度。（3）为提取具有高判别性的特征,本文提出了一种融合深度特征和手工特征的特征提取算法。具体地,在构建手工特征时本文首先提取SIFT特征向量,使用Fisher Vector算法编码SIFT特征向量得到FV-SIFT特征。使用Res Net网络提取深度特征。再利用Bag-of-Words编码深度特征和FV-SIFT特征得到融合特征。最后使用SVM分类融合特征。在Stanford Cars-197上的实验结果表明,该算法取得了更好的性能。
其他文献
近年来随着人工智能技术的不断突破和普及,已逐渐应用到各种工业生产过程中。稀土元素作为一种战略资源,渐渐成为一些高新技术产业领域不可替代的角色,对国民经济和社会发展也是举足轻重。为了使稀土资源优势转化为产业优势,对稀土行业就提出了更高的要求。此外,稀土工业过程大时延、非线性、时变、强耦合、多变量等特点使得传统的控制理论和信息处理技术已无法满足稀土行业对先进自动化技术的迫切需求。稀土萃取分离过程中,组
胃肿瘤细胞作为典型的医学图像,是一种小样本数据集,并且胃肿瘤细胞图像复杂、信息冗余,若直接将原始小样本数据带入深度学习进行训练,会出现过拟合、梯度消失等问题。生成对抗网络的出现为解决小样本问题提供了重要的研究方向,即数据增强,通过扩充数据集来解决小样本问题;元学习本身也是用来解决小样本问题,所以研究这两种方法能更好地实现胃肿瘤细胞图像的分类识别。本文的研究内容主要有以下几点:首先,原始的生成对抗网
在这个信息技术不断进步的时代,人们对于图像的分辨率要求越来越高。超分辨率重建作为一种通过软件算法来提高图像分辨率的技术,具有成本低、效果好等优点,在医学成像、卫星遥感和安防监控等众多领域都有重要的作用。随着深度学习的发展,卷积神经网络被引入到超分辨率重建领域,因其复杂数据学习和表示能力强,极大地提高了图像的重建质量。为此,本文提出了两种基于卷积神经网络的超分辨率重建算法,主要研究内容如下:（1）针
高度智能化的机械臂抓取技术一直是机器人研发的重要目标之一。机械臂对于随机移动物体的抓取方法是实现工业生产线由自动化转向智能化所必要的重要功能。本文针对机械臂抓取移动物体的问题,研究了两方面问题。第一,传统基于预测机制的移动物体抓取方法预测精度较差,本文提出了一种结合长短时记忆网络模型（LSTM）和全连接网络结合的预测网络用于物体的移动轨迹预测,提高了轨迹预测准确性。第二,基于预测机制的移动物体抓取
目前我国各行各业快速发展,交通运输业也在以蒸蒸日上的态势发生着巨大变化。高速铁路的建设对于地区的经济发展也带来了越来越好的促进作用,得到了越来越广的支持。在保证列车安全运行的前提下,如何更加智能、方便的提高运行效率和性能成为关注的重点,因此列车的自动驾驶控制已成为高速列车领域的重要研究内容。在列车自动驾驶技术快速发展环境下,本文研究跟踪性能更好的速度跟踪控制方法。传统列车模型未考虑到非线性因素对列
移动机器人作为智能机器人的重要分支之一,关于其路径规划的研究,一直被国内外学者作为研究的热点。近年来,随着人工智能与智能制造技术的飞速发展,移动机器人与各种智能算法结合,应用领域不断扩展,但也同时面临着更多的挑战。目前,大多数学者都是针对已知环境下的路径规划算法进行研究,移动机器人缺乏自主学习性,当面临未知环境时很难找到一条抵达终点且无碰撞的路径,并且大部分都是输出离散动作,不符合场景应用。因此,
随着科学技术的发展,自动控制系统的规模越来越大,复杂程度越来越高,组成系统的电子元器件也越来越多。然而控制系统可能因为元器件老化、外界灾害、人为损害或误操作等问题发生故障,导致整个系统的安全性和可靠性降低,甚至造成不可挽回的损失或灾难。为了提高系统的安全性和可靠性,本文以多变量系统为研究对象,设计了多模型自适应执行器故障诊断和调节策略,并将其应用于高速列车牵引电机故障诊断与调节中,使其在存在未知牵
地理环境的异常震动通常预示着地质灾害等事件的发生,对异常震动事件的检测也成为降低人员伤亡和财产损失的有效手段。现有常见的地质震动监测设备通常为内含加速度传感器的传统测振仪,其识别准确率较高,但因为价格高、体积大等缺点无法进行大面积的部署。随着电子技术的飞速发展以及智能手机的全面普及,智能手机加速度传感器成为环境震动实践监测的新基础设施,利用普通用户的智能手机等电子设备实现异常事件的检测也成为新的研
随着电动汽车（Electric Vehicle,EV）市场的快速发展,严重影响和制约电动汽车动力性能的汽车电池相关核心关键技术的研究已成为一个热点问题。其中,电池的充电状态（State of Charge,SOC）在电动汽车电池管理系统（Battery Manage System,BMS）中极为重要。它可用于表征汽车电池的剩余能量及其工作状态,从而合理安排充电时间及其他相关事项,以确保电动汽车的可
凸二次规划问题在许多领域中都有广泛的应用,系统分析,组合优化等诸多科学问题与工程问题都可以表述为凸二次规划问题后求解。一般而言,二次规划问题在经过拉格朗日法处理后可以利用神经网络求解。但是传统微分神经网络在面对大规模实时二次规划问题时表现不佳,存在求解精度较低以及收敛时间过长的缺点。基于此,本文提出了新型积分动态学习网络和变参积分动态学习网络。仿真实验证明这两种神经网络都有收敛速率快,求解精度高的