Progressive Multi-Task Anti-Rausch Lern- und Destillierungsframeworks für feingranulare Fahrzeugerkennung

Feinabstufte Fahrzeugerkennung (FGVR) ist eine wesentliche Grundtechnologie für intelligente Verkehrssysteme, jedoch sehr schwierig aufgrund ihrer inhärenten innerklassischen Variation. Die meisten bisherigen FGVR-Studien konzentrierten sich hauptsächlich auf die durch verschiedene Aufnahmewinkel, Positionen usw. verursachte innerklassische Variation, während die durch Bildrauschen verursachte innerklassische Variation wenig Beachtung fand. In dieser Arbeit werden ein progressiver Mehrfachaufgaben-Entrauschungs-Lernrahmen (PMAL) und ein progressiver Mehrfachaufgaben-Distillierungsrahmen (PMD) vorgeschlagen, um das Problem der innerklassischen Variation in der FGVR aufgrund von Bildrauschen zu lösen. Der PMAL-Rahmen erreicht eine hohe Erkennungsgenauigkeit, indem er Bildentrauschung als zusätzliche Aufgabe im Bilderkennungsprozess betrachtet und das Modell schrittweise dazu zwingt, Rauschinvarianz zu lernen. Der PMD-Rahmen überträgt das Wissen des durch PMAL trainierten Modells in das ursprüngliche Backbone-Netzwerk, wodurch ein Modell mit etwa der gleichen Erkennungsgenauigkeit wie das PMAL-trainierte Modell entsteht, aber ohne zusätzliche Overheads gegenüber dem ursprünglichen Backbone-Netzwerk. Durch die Kombination beider Rahmenstrukturen erhalten wir Modelle, die die Erkennungsgenauigkeit bei zwei weit verbreiteten Standard-FGVR-Datensätzen, nämlich Stanford Cars und CompCars, sowie bei drei weiteren Überwachungsbild-basierten Fahrzeugtyp-Klassifikationsdatensätzen, nämlich Beijing Institute of Technology (BIT)-Fahrzeug, Vehicle Type Image Data 2 (VTID2) und Vehicle Images Dataset for Make Model Recognition (VIDMMR), erheblich verbessern, ohne zusätzliche Overheads gegenüber den ursprünglichen Backbone-Netzwerken zu haben. Der Quellcode ist unter https://github.com/Dichao-Liu/Anti-noise_FGVR verfügbar.