基于改进残差网络的道口车辆分类方法

李宇昕; 杨帆; 刘钊; 司亚中

doi:doi:10.3788/LOP202158.0415009

激光与光电子学进展, 2021, 58 (4): 0415009, 网络出版: 2021-02-22

基于改进残差网络的道口车辆分类方法下载： 852次

Classification Method of Crossing Vehicle Based on Improved Residual Network

李宇昕杨帆 ^*刘钊司亚中

作者单位

河北工业大学电子信息工程学院, 天津 300401

图 & 表

图 1. 所提方法的流程图

Fig. 1. Flowchart of the proposed method

下载图片查看原文

图 2. 改进对比。(a)原始残差块;(b)改进残差块

Fig. 2. Improve comparison. (a) Original residual block; (b) improved residual block

下载图片查看原文

图 3. 一般卷积

Fig. 3. Normal convolution

下载图片查看原文

图 4. 分组卷积

Fig. 4. Group convolution

下载图片查看原文

图 5. 注意力模型

Fig. 5. Attention model

下载图片查看原文

图 6. 不同模型处理的热力图。(a)原图;(b)原始模型ResNet;(c)增加注意力机制后的模型

Fig. 6. Heat maps processed by different models. (a) Original map; (b) original model ResNet; (c) model with attention mechanism

下载图片查看原文

图 7. Stanford Cars数据集中的部分图像

Fig. 7. Partial images in Stanford Cars dataset

下载图片查看原文

图 8. 实际道口数据集中的部分图像

Fig. 8. Partial images in real crossing dataset

下载图片查看原文

图 9. 消融实验的准确率

Fig. 9. Accuracy of ablation experiment

下载图片查看原文

图 10. 消融实验的损失

Fig. 10. Loss of ablation experiment

下载图片查看原文

表 1不同模型在Stanford Cars数据集中的准确率

Table1. Accuracy of different models on Stanford Cars dataset

Model	Accuracy /%
Three-scale Attention^[17]	81.50
B-CNN^[18]	86.50
Kernel-Pooling^[19]	85.70
FA-ResNet	86.97

查看原文

表 2消融实验结果

Table2. Results of ablation experiment

ExperimentNo.	Group convolution	Attention model	Focal loss	Accuracy /%
1				80.44
2	√			81.12
3		√		88.43
4			√	90.15
5	√	√		88.91
6	√		√	92.13
7		√	√	94.19
8	√	√	√	94.96

查看原文

李宇昕, 杨帆, 刘钊, 司亚中. 基于改进残差网络的道口车辆分类方法[J]. 激光与光电子学进展, 2021, 58(4): 0415009. Yuxin Li, Fan Yang, Zhao Liu, Yazhong Si. Classification Method of Crossing Vehicle Based on Improved Residual Network[J]. Laser & Optoelectronics Progress, 2021, 58(4): 0415009.

基于改进残差网络的道口车辆分类方法下载： 852次

图 1. 所提方法的流程图

Fig. 1. Flowchart of the proposed method

图 2. 改进对比。(a)原始残差块;(b)改进残差块

Fig. 2. Improve comparison. (a) Original residual block; (b) improved residual block

图 3. 一般卷积

Fig. 3. Normal convolution

图 4. 分组卷积

Fig. 4. Group convolution

图 5. 注意力模型

Fig. 5. Attention model

图 6. 不同模型处理的热力图。(a)原图;(b)原始模型ResNet;(c)增加注意力机制后的模型

Fig. 6. Heat maps processed by different models. (a) Original map; (b) original model ResNet; (c) model with attention mechanism

图 7. Stanford Cars数据集中的部分图像

Fig. 7. Partial images in Stanford Cars dataset

图 8. 实际道口数据集中的部分图像

Fig. 8. Partial images in real crossing dataset

图 9. 消融实验的准确率

Fig. 9. Accuracy of ablation experiment

图 10. 消融实验的损失

Fig. 10. Loss of ablation experiment

表 1不同模型在Stanford Cars数据集中的准确率

Table1. Accuracy of different models on Stanford Cars dataset

表 2消融实验结果

Table2. Results of ablation experiment

关于本站 Cookie 的使用提示

全站搜索

基于改进残差网络的道口车辆分类方法 下载： 852次

图 1. 所提方法的流程图

Fig. 1. Flowchart of the proposed method

图 2. 改进对比。(a)原始残差块;(b)改进残差块

Fig. 2. Improve comparison. (a) Original residual block; (b) improved residual block

图 3. 一般卷积

Fig. 3. Normal convolution

图 4. 分组卷积

Fig. 4. Group convolution

图 5. 注意力模型

Fig. 5. Attention model

图 6. 不同模型处理的热力图。(a)原图;(b)原始模型ResNet;(c)增加注意力机制后的模型

Fig. 6. Heat maps processed by different models. (a) Original map; (b) original model ResNet; (c) model with attention mechanism

图 7. Stanford Cars数据集中的部分图像

Fig. 7. Partial images in Stanford Cars dataset

图 8. 实际道口数据集中的部分图像

Fig. 8. Partial images in real crossing dataset

图 9. 消融实验的准确率

Fig. 9. Accuracy of ablation experiment

图 10. 消融实验的损失

Fig. 10. Loss of ablation experiment

表 1不同模型在Stanford Cars数据集中的准确率

Table1. Accuracy of different models on Stanford Cars dataset

表 2消融实验结果

Table2. Results of ablation experiment

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

基于改进残差网络的道口车辆分类方法下载： 852次