智能交通系統在輔助交管部門對車輛進行管理中發(fā)揮著巨大的作用,而車輛型號識別則是智能交通系統中極為重要的任務。在實際應用中,車輛型號（簡稱車型）種類繁多,部分車型相似度高,且拍攝角度不一、光照情況復雜等也給車型的精細識別帶來了挑戰(zhàn)。本文使用基于生成對抗網絡的方法,分別針對車型精細識別中存在的數據不足、數據分布不同等問題進行研究,提出兩種不同情況下的車輛型號精細識別方法。分別為:基于AT-PGGAN的車輛型號精細識別研究和基于自適應的夜間車輛型號精細識別算法。分別在不同的多個數據集上進行實驗,實驗結果表明提出的兩種方法在車輛精細識別方面具有良好的識別效果。本文的主要工作如下:（1）整理和歸納了生成對抗網絡的一些經典理論和基本模型:闡述了領域自適應相關的理論和模型;對目前常用車輛型號識別的數據集進行介紹;公開了一個夜間卡口車輛型號識別數據集。（2）提出了一種基于數據增強的車輛型號精細識別模型AT-PGGAN:該模型由生成網絡和分類網絡組成,利用生成網絡對訓練數據進行擴充;利用注意力機制和標簽重嵌入方法對生成網絡進行優(yōu)化,使其生成圖像細節(jié)更加完善。（3）提出了一種針對夜間車型識別的領域自適應方... 

【文章來源】：合肥工業(yè)大學安徽省 211工程院校 教育部直屬院校

【文章頁數】：63 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
abstract
第一章 緒論
    1.1 研究目的和意義
    1.2 國內外研究現狀
        1.2.1 車型精細識別
        1.2.2 領域自適應
        1.2.3 暗光增強
    1.3 研究內容與組織結構
        1.3.1 研究內容
        1.3.2 組織結構
第二章 基礎理論及數據集介紹
    2.1 卷積神經網絡
        2.1.1 卷積神經網絡的基本模塊
        2.1.2 經典卷積模型
    2.2 生成對抗網絡
        2.2.1 生成對抗網絡（GAN）
        2.2.2 條件生成對抗網絡（CGAN）
        2.2.3 漸進式增長生成對抗網絡（PGGAN）
        2.2.4 循環(huán)生成對抗網絡（CycleGAN）
    2.3 車型識別數據集介紹
        2.3.1 Stanford Cars數據集
        2.3.2 Comp Cars數據集
        2.3.3 Car100數據集
    2.4 本章小結
第三章 一種基于AT-PGGAN的車型精細識別算法
    3.1 算法主要思想
    3.2 模型主體結構
    3.3 標簽重嵌入
    3.4 標簽重標定
    3.5 自注意力機制
    3.6 實驗結果與分析
        3.6.1 數據集使用與實驗環(huán)境及設置
        3.6.2 實驗結果分析
    3.7 本章小結
第四章 一種自適應的夜間車型精細識別算法
    4.1 算法主要思想
    4.2 模型主體架構
    4.3 損失函數
        4.3.1 生成對抗損失
        4.3.2 局部對抗損失
        4.3.3 循環(huán)一致性損失
        4.3.4 語義損失
    4.4 實驗結果與分析
        4.4.1 數據集使用與實驗環(huán)境
        4.4.2 實驗結果分析
    4.5 本章小結
第五章 總結與展望
    5.1 總結
    5.2 工作展望
參考文獻
攻讀碩士學位期間的學術活動及成果情況


【參考文獻】：
期刊論文
[1]類別信息生成式對抗網絡的單圖超分辨重建[J]. 楊云,張海宇,朱宇,張艷寧.  中國圖象圖形學報. 2018(12)
[2]基于條件深度卷積生成對抗網絡的圖像識別方法[J]. 唐賢倫,杜一銘,劉雨微,李佳歆,馬藝瑋.  自動化學報. 2018(05)



本文編號：2986813