《複雜交通場景下基於深度遷移學習的車輛識別方法研究》是依託江蘇大學，由王海擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：複雜交通場景下基於深度遷移學習的車輛識別方法研究
- 項目類別：青年科學基金項目
- 項目負責人：王海
- 依託單位：江蘇大學
項目摘要,結題摘要,
項目摘要
複雜交通場景下的車輛呈現較大類內差異性和受污染性，有限樣本集訓練所得分類器難以滿足車載平台的動態特性和交通場景的多樣性，視覺車輛識別準確性低，制約了智慧型車輛的發展。本項目基於深度學習理論，研究面向複雜交通圖像的新型分層視覺特徵學習方法與分類器構建模型，探索基於圖像特徵多非線性獨立子空間分布假設的底層特徵抽取方法，建立面向車載資源受限平台的精簡化深度網路結構，提出基於稀疏約束的逐層特徵計算模型，揭示車輛目標的高判別性視覺特徵表達；進一步將遷移學習理論引入深度網路模型，提出賦予標籤置信度的新場景樣本標記方法，探索自底向上的底層特徵無監督遷移機制，尋求自頂向下引入標籤置信度的高層分類面遷移方法，實現深度網路分類器在動態場景下的遷移，提升複雜交通場景下車輛分類器的泛化能力；最後基於車載平台進行算法驗證。研究成果可滿足智慧型車輛複雜交通場景下高準確性車輛識別的需求，具有重要的理論意義與實用價值。
結題摘要
複雜交通場景下的車輛呈現較大類內差異性和受污染性，有限樣本集訓練所得分類器難以滿足車載平台的動態特性和交通場景的時變性、多樣性，視覺車輛識別準確性低，制約了智慧型車輛的發展。本項目引入視覺顯著性機制，提出基於多尺度深度網路的顯著性區域提取方法，並將該方法套用到道路圖像的前景感興趣區域提取中，效果優異。構建了面向複雜交通圖像的新型分層視覺特徵學習方法與分類器構建模型，研究了基於圖像特徵多非線性獨立子空間分布假設的底層特徵抽取方法，建立面向車載資源受限平台的精簡化深度網路結構，設計了基於稀疏約束的逐層特徵計算模型，在KITTI等國際主流資料庫的測試結果標明了所提算法在複雜交通場景下具有優秀的車輛檢測性能。將遷移學習理論引入深度網路模型，提出賦予標籤置信度的新場景樣本標記方法，構建自底向上的底層特徵無監督遷移機制和自頂向下引入標籤置信度的高層分類面遷移方法，實現深度網路分類器在動態場景下的遷移，大幅提升車輛分類器在不同場景下的泛化能力。基於權威公開測試集和車載平台進行算法驗證，結果表明所提算法可滿足智慧型車輛複雜交通場景下高準確性車輛識別需求，具有重要理論意義與實用價值。
