Reconnaissance des couleurs du véhicule basée sur un réseau de neurones à modulation fluide avec fusion de fonctionnalités à plusieurs échelles

La reconnaissance des couleurs des véhicules (magnétoscope) est essentielle à la gestion intelligente du trafic et à l’aide aux enquêtes criminelles. Cependant, les ensembles de données de couleur des véhicules existants ne couvrent que 13 classes, ce qui ne peut pas répondre à la demande réelle actuelle. De plus, bien que beaucoup d’efforts soient consacrés au magnétoscope, il souffre du problème du déséquilibre des classes dans les ensembles de données.

Après avoir enquêté sur la question, une équipe de recherche dirigée par Mingdi Hu a publié sa nouvelle recherche dans Frontières de l’informatique.

L’équipe propose une nouvelle méthode VCR. Ils présentent un nouvel ensemble de données VCR avec 24 classes de véhicules, Vehicle Color-24, et proposent le modèle SMNN-MSFF avec fusion de caractéristiques multi-échelles et modulation douce.

Le premier vise à extraire des informations sur les caractéristiques du local au global, et le second pourrait augmenter la perte des images des instances de classe de queue pour la formation avec un déséquilibre de classe. Des études d’ablation approfondies démontrent que chaque module de la méthode proposée est efficace, en particulier la modulation douce, qui aide efficacement l’apprentissage des caractéristiques des classes minoritaires ou de queue.

Une évaluation expérimentale complète sur Vehicle Color-24 et trois ensembles de données représentatifs précédents ont démontré que le SMNN-MSFF proposé surpassait les méthodes VCR de pointe.

Dans le cadre de la recherche, l’équipe a construit un nouvel ensemble de données avec 24 couleurs de véhicules, appelé Vehicle Color-24. Les couleurs incluent le rouge, le rouge foncé, le rose, l’orange, l’orange foncé, le rouge-orange, le jaune, le jaune citron, le jaune terreux, le vert, le vert foncé, le vert gazon, le cyan, le bleu, le bleu foncé et le violet. , noir, blanc, gris argenté, gris, gris foncé, champagne, marron et marron foncé. Vehicle Color-24 peut répondre aux besoins actuels des applications pratiques de gestion de la circulation des véhicules et de suivi des véhicules criminels.

Ensuite, les chercheurs ont proposé une nouvelle méthode de reconnaissance de la couleur du véhicule basée sur SMNN-MSFF. Cet algorithme attire l’attention sur la nature du déséquilibre de la distribution des couleurs existant dans n’importe quel ensemble de données. La fonction de perte affine le réseau afin que l’algorithme puisse mieux capturer les caractéristiques des classes à petite échelle que la perte focale via des expériences d’ablation.

Ce réseau ajoute également un module FPN pour extraire les informations sur les bords et les coins, ce qui aide à extraire les caractéristiques de forme du véhicule et les informations de localisation locales pour faciliter la reconnaissance du véhicule. De plus, ce réseau dorsal est conçu avec seulement 42 couches, qui appartiennent à un réseau léger, pour soulager la pression de stockage et augmenter la possibilité de mise en œuvre dans des applications pratiques.

Les résultats expérimentaux montrent que la carte de cette méthode dans l’article est précise à 94,96 % dans la reconnaissance de 24 types de couleurs. Le SMNN-MSFF proposé surpasse les méthodes VCR de pointe et répond mieux aux exigences de classification fine des couleurs des véhicules.

Cependant, étant donné que l’environnement réel peut être affecté par des facteurs imprévisibles et que l’effet de longue traîne existe dans la distribution des couleurs du véhicule, des efforts supplémentaires pour améliorer la reconnaissance fine de la couleur du véhicule sont encore nécessaires. Les travaux futurs continueront d’étudier la solution du déséquilibre des classes en raison de la diversité des couleurs des véhicules, et l’ensemble de données de couleur des véhicules devra nécessiter des caractéristiques de la distribution à longue traîne.

Fourni par Frontiers Journals