• 主题
高级搜索  >
历史搜索 清空历史
首页> 美国卫生研究院文献>Sensors (Basel Switzerland) >Real-Time Vehicle Make and Model Recognition with the Residual SqueezeNet Architecture
【2h】

Real-Time Vehicle Make and Model Recognition with the Residual SqueezeNet Architecture

机译：残余SqueezeNet体系结构的实时车辆制造和模型识别

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Make and model recognition (MMR) of vehicles plays an important role in automatic vision-based systems. This paper proposes a novel deep learning approach for MMR using the SqueezeNet architecture. The frontal views of vehicle images are first extracted and fed into a deep network for training and testing. The SqueezeNet architecture with bypass connections between the Fire modules, a variant of the vanilla SqueezeNet, is employed for this study, which makes our MMR system more efficient. The experimental results on our collected large-scale vehicle datasets indicate that the proposed model achieves 96.3% recognition rate at the rank-1 level with an economical time slice of 108.8 ms. For inference tasks, the deployed deep model requires less than 5 MB of space and thus has a great viability in real-time applications.
机译：车辆的制造和模型识别（MMR）在基于自动视觉的系统中起着重要作用。本文提出了一种使用SqueezeNet架构的MMR深度学习新方法。首先提取车辆图像的正面视图，并将其输入到用于培训和测试的深层网络中。这项研究采用了Fire模块之间具有旁路连接的SqueezeNet体系结构（香草SqueezeNet的一种变体），这使我们的MMR系统更加高效。在我们收集的大规模车辆数据集上的实验结果表明，该模型在18.8级的经济时间片上，在1级级别上达到了96.3％的识别率。对于推理任务，部署的深度模型需要少于5 MB的空间，因此在实时应用程序中具有很大的可行性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号