[發明專利]一種強化深度融合網絡的車輛多屬性分類方法

在審

• 申請號: 202110046369.6
• 申請日: 2021-01-14
• 公開（公告）號: CN112418358A
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 劉新成;宣帆;周國冬;徐璀;章昊
• 申請（專利權）人: 蘇州博宇鑫交通科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 蘇州科仁專利代理事務所(特殊普通合伙) 32301
• 代理人: 郭楊

一種強化深度融合網絡的車輛多屬性分類方法，方法如下：利用YOLOv3深度神經網絡，尋找圖片的目標區域，去除掉圖像中與分類無關的信息，得到車輛檢測的參數，使用深度強化學習Deep Q Network對參數進行優化，輸出結果并輸入改進后的雙線性卷積神經網絡中得到最后的多屬性分類結果。本發明將YOLOv3深度神經網路和雙線性卷積神經網絡結合并引入深度強化學習Deep Q Network對目標參數進行優化完成車輛多屬性分類，有效解決了在圖像分類問題中經常出現背景信息太多容易誤導分類結果的問題，改善了特征丟失的問題，實驗結果表明準確率有明顯提升。

技術領域

本發明屬于人工智能領域，具體涉及一種強化深度融合網絡的車輛多屬性分類方法。

背景技術

在深度學習興起之前，基于人工特征的細粒度圖像分類算法，一般先從圖像中提取SIFT(scale_invariant feature transform)或HOG(histogram of orientedgradient)等局部特征，然后利用VLAD(vector of locally aggregated descrip tors)或Fisher vector等編碼模型進行特征編碼。Part_based one_vs_onefeatures for fine_grained categorization,face vereification,and attribute estimatioin中Berg等人嘗試利用局部區域信息的特征編碼方法去提取POOF特征，但是由于人工提取特征的過程十分繁瑣，表述能力不強，所以分類效果并不理想。隨著深度學習的興起，利用卷積神經網絡提取特征比人工提取特征表述能力更強，分類效果更好，大量基于卷積特征算法的提出促進了細粒度圖像分類的發展。

按照模型訓練時是否需要人工標注信息，基于深度學習的細粒度圖像分類算法分為強監督和弱監督兩類。強監督的細粒度圖像分類在模型訓練時不僅需要圖像的類別標簽，還需要圖像標注框和局部區域位置等人工標注信息;而弱監督的細粒度圖像分類在模型訓練時僅依賴于類別標簽。然而無論是強監督還是弱監督的細粒度圖像分類算法，大多數細粒度圖像分類算法的思路都是先找到前景對象和圖像中的局部區域，之后利用卷積神經網絡對這些區域分別提取特征，并將提取的特征連接，以此完成分類器的訓練和預測。Part_based R_CNNs for fine_grained category detectio中Zhang等人提出了part_based R_CNN 算法，先采用 R_CNN 算法對圖像進行檢測，得到局部區域，再分別對每一塊區域提取卷積特征，并將這些區域的特征連接，構成一個特征向量，最后用支持向量機(SVM)訓練分類，然而，其利用的選擇性搜索算法會產生大量無關的候選區域，造成運算上的浪費。

發明內容

本發明要解決的技術問題是提供一種準確率更高，并且運算效率高的強化深度融合網絡的車輛多屬性分類方法。針對車輛細粒度圖像分類中存在的背景干擾問題，通過剔除與分類無關的背景信息、定位要分類的感興趣區域提高對車輛細粒度分類的準確率。

為了解決上述技術問題，本發明采用的技術方案是：一種強化深度融合網絡的車輛多屬性分類方法，利用YOLOv3算法檢測網絡，尋找圖片的目標區域，篩選去除掉與分類無關的背景信息，得到車輛檢測的參數，使用深度強化學習Deep Q Network對參數進行優化，將優化后的參數輸入改進后的雙線性卷積神經網絡中，提取特征完成對車輛多屬性分類結果。

進一步的，利用YOLOv3算法尋找圖片的目標區域的步驟為：首先將輸入圖像劃分成S×S個柵格，經過YOLOv3檢測網絡，對每個柵格都預測K個邊界框，選擇邊界框的個數為n，最終保留與物體真實邊界框的交并比最大的邊界框，然后使用非極大值抑制的方法篩選邊界框，得到最優選的邊界框。

進一步的，所述YOLOv3算法采用了Darknet53的分類網絡結構，采用了53個卷積層和5個最大池化層。