车辆检索“Deep Relative Distance Learning: Tell the Difference Between Similar Vehicles”
2016-07-29 10:07
706 查看
车辆检索最大的难点在于同一型号的车型长得比较像,但作者认为会有一点小的区别,比如下图中的车辆装饰品,破损等细节:
深度相对距离学习
对于图像检索,使用深度学习提取特征,作者使用了深度相对距离学习模型,使用了新的损失函数,并且增加了衡量统一型号车辆区别的分支。
使用的损失函数coupled cluster loss也很好理解,原理是认为同一辆车的特征在d维空间内应该落在一个圆内,正样本离得近负样本离得稍远,如下图所示:
混合差别网络结构
这里的混合是将属性信息混合到网络中,属性用的是车辆的品牌型号,车辆检索需要回答probe和gallery中的图像是否是同一品牌型号,是否是同一辆车(使用车牌作为唯一身份认证)。
基础网络结构是VGG_CNN_M_1024,如下图将其扩展成两个分支,最后一层全连接层fc8是车辆型号信息特征与从couple cluster loss中学习到的特征的串联特征,网络结构如下图所示:
实验结果
在作者搭建的车辆检索数据库VehicleID上进行对比试验,结果如下图所示,使用累积匹配曲线(CMC)作为评价标准:
深度相对距离学习
对于图像检索,使用深度学习提取特征,作者使用了深度相对距离学习模型,使用了新的损失函数,并且增加了衡量统一型号车辆区别的分支。
使用的损失函数coupled cluster loss也很好理解,原理是认为同一辆车的特征在d维空间内应该落在一个圆内,正样本离得近负样本离得稍远,如下图所示:
混合差别网络结构
这里的混合是将属性信息混合到网络中,属性用的是车辆的品牌型号,车辆检索需要回答probe和gallery中的图像是否是同一品牌型号,是否是同一辆车(使用车牌作为唯一身份认证)。
基础网络结构是VGG_CNN_M_1024,如下图将其扩展成两个分支,最后一层全连接层fc8是车辆型号信息特征与从couple cluster loss中学习到的特征的串联特征,网络结构如下图所示:
实验结果
在作者搭建的车辆检索数据库VehicleID上进行对比试验,结果如下图所示,使用累积匹配曲线(CMC)作为评价标准:
相关文章推荐
- hdu4587 TWO NODES 求割点
- css单独设定样式
- 用户界面框架jQuery EasyUI示例大全之Tree
- 项目之JSP标签定义时URI报错的问题(产品追溯系统)2016-7-29
- React-Native (一)
- 正负小数js正则表达式
- window.parent.document jquery
- 点击按钮,弹出信息的显示
- caffe使用gdb单步调试及源码阅读
- Newtonsoft.Json(Json.Net)学习笔记
- gulp初探——前端开发工作流
- JSP之EL表达式
- Sharepreference存储对象,图片
- 一行jQuery代码搞定checkbox 全选和全不选
- JavaScript强化教程——对象的值传递和引用传递
- JS 省市联动
- 前端优化的14条规则
- jsp的九大内置对象和四大作用域
- JavaScript强化教程——对象的值传递和引用传递
- 前端技术学习路线