車輛顏色識別的新方法
車輛的顏色是智慧交通管理和刑事調查協助中不可或缺的重要因素。然而現有的車輛顏色資料集只涵蓋了 13 個類別,不能滿足當前實際需求。此外儘管在車輛顏色識別上投入了大量精力,但仍存在資料集中類別失衡的問題。
明迪胡等人在《前沿電腦科學》上發表了一篇新研究,提出了一種新的車輛顏色識別方法。他們提出了一個包含 24 種車輛顏色的新資料集——Vehicle Color-24,並提出了 SMNN-MSFF 模型(平滑調變神經網路與多尺度特徵融合)。前者旨在從區域性到全域性提取特徵訊息,後者可增加類別失衡資料的尾部實例影象的損失以進行訓練。廣泛的消融實驗表明,所提出的方法的每個模組都是有效的,尤其是平滑調變,可以有效地輔助學習少數或尾部類別的特徵。透過對 Vehicle Color-24 和之前的三個代表性資料集進行全面的實驗評估,證實了所提出的 SMNN-MSFF 方法優於現有的車輛顏色識別方法。
Vehicle Color-24 資料集
明迪胡研究團隊建立了一個包含 24 種車輛顏色的新資料集,名為 Vehicle Color-24。這些顏色包括:紅色、暗紅色、粉紅色、橙色、暗橙色、紅橙色、黃色、檸檬黃、土黃色、綠色、深綠色、草綠色、青色、藍色、深藍色、紫色、黑色、白色、銀灰色、灰色、深灰色、香檳色、棕色和深棕色。Vehicle Color-24 可以補充當前實際的車輛交通管理和刑事車輛追蹤應用的需求。
SMNN-MSFF 模型
為了對資料集中的顏色分布失衡進行更好的處理,研究團隊提出了基於 SMNN-MSFF 的車輛顏色識別方法。這種方法的損失函數可以微調網路,使算法比 focal loss 更好地捕捉少量類別的特徵,從而增加了模型的預測能力。此外這個模型還增加了 FPN 模組,用於提取邊緣和角落訊息,以幫助提取車輛形狀特徵和區域性位置訊息進行識別。與其他方法相比,這種骨幹網路的層數較少,僅有 42 層,屬於輕量級網路,可以減輕儲存壓力,並增加在實際應用中的可能性。實驗結果表明,該方法在識別 24 種顏色時的精確度達到了 94.96%,比現有的車輛顏色識別方法更好地滿足了車輛顏色的細粒度分類要求。
總結
儘管現實環境受到不可預測因素的影響,長尾效應存在於車輛顏色分布中,但明迪胡等人所提出的方法是有效的且有助於改進車輛顏色識別的精度。對於未來的研究,需要繼續探究解決由於車輛顏色的多樣性而產生的類別失衡問題,並且車輛顏色資料集需要具有長尾分布的特徵。