[发明专利]一种基于多分支局部注意力网络的车辆分类方法

说明书

本发明公开了一种基于多分支局部注意力网络的车辆分类方法，具体步骤包括获取待分类车辆图片并划分为训练集和测试集；将车辆图片的训练集输入构建多分支局部注意力网络的车辆分类模型进行训练，所述多分支局部注意力网络包括基于通道的卷积注意力模块，以及基于空间的局部注意力模块；根据训练好的车辆分类模型对车辆图片的测试集进行分类预测，得到分类结果。本发明在原始ResNet‑50模型中添加多分支局部注意力结构，该结构能够更准确地获取特征图中不同邻域的信息，增强了关键特征的表达性，从而提高了车辆分类准确率；同时我们的多分支注意力结构具有便携性，可以嵌入到其他网络模型中。

技术领域

本发明涉及深度学习和计算机视觉技术领域，特别涉及一种基于多分支局部注意力网络的车辆分类方法。

背景技术

近年来，智能交通系统(ITS)发展快速，随着计算机视觉和深度学习的发展，为智能交通系统更有效的应用提供了契机。计算机视觉是利用计算机来模拟人的视觉能力，从客观事物的图像中提取信息，进行处理并加以理解，最终应用到实际生活中，例如车辆分类。

传统的基于视觉的车辆分类方法通常是依赖于手工特征，如颜色直方图(CH)、纹理描述符(TD)、GIST)或通过BoVW、IFK、SPM等编码局部特征生成的表示，费时费力，泛化能力差，易受环境变化和遮挡的影响。随着深度学习理论和实践的迅速发展，基于深度学习的目标检测与分类进入了一个新的阶段。不同于传统的特征提取算法，卷积神经网络具有一定的不变性的几何变换、变形和光照，可以克服改变车辆外观的困难，可以解决遮挡问题，能够自适应的训练数据驱动下构建的特征描述，具有更大的灵活性和综合能力。

现有的卷积神经网络方法依然存在不足之处在于，没有明确区分关键信息和冗余信息，模型的特征识别能力仍然不强不足。期间多层卷积和池化，大量重要信息丢失，导致提取的特征不能很好地表示目标。

发明内容

本发明的目的克服现有技术存在的不足，为实现以上目的，采用一种基于多分支局部注意力网络的车辆分类方法，以解决上述背景技术中提出的问题。

一种基于多分支局部注意力网络的车辆分类方法，具体步骤包括：

获取待分类车辆图片并划分为训练集和测试集；

将车辆图片的训练集输入构建多分支局部注意力网络的车辆分类模型进行训练，所述多分支局部注意力网络包括基于通道的卷积注意力模块，以及基于空间的局部注意力模块；

根据训练好的车辆分类模型对车辆图片的测试集进行分类预测，得到分类结果。

作为本发明的进一步的方案：所述获取待分类车辆图片并划分为训练集和测试集的具体步骤包括：

获取车辆场景图像，并划分为训练集和测试集，训练集和测试集的比例为4:1；

所述训练集包括M张训练图片为X＝{X₁,X₂,…,X_m,…,X_M}，所述训练集包括N张训练图片为Y＝{Y₁,Y₂,…,Y_n,…,Y_N}，其中X_m表示第m张训练图片，Y_n表示第n张测试图片；

对所述训练集和测试集的图片进行标签与原图一对一标注。

作为本发明的进一步的方案：所述将车辆图片的训练集输入构建多分支局部注意力网络的车辆分类模型进行训练，所述多分支局部注意力网络包括基于通道的卷积注意力模块，以及基于空间的局部注意力模块的具体步骤包括：

基于ResNet-50模型构建多分支局部注意力网络结构；

利用基于通道的卷积注意力模块引入作为第一个分支；