[发明专利]一种多类别交通工具的精细识别方法

权利要求书

1.一种多类别交通工具的精细识别方法，其特征在于，具体步骤如下：

步骤一、针对某张待分类的目标图像输入VGG19网络中，输出包含网络浅层信息的特征图X；

步骤二、对具有浅层信息的特征图X加入级联注意力机制，得到重要区域的高亮显示特征图

具体为：

首先，对于特征图X，通过1×1的卷积得到三维的注意力权重图M₁(X)，然后将注意力权重图M₁(X)中每个权重分别与原始特征图X中各自对应的像素进行一一相乘，即并借助残差方法，对逐像素相加，得到第一结果：

同时，采用3×3的卷积对原始特征图X进行特征提取，然后对提取结果进行边界补全，得到和原始特征图X相同尺寸的三维的注意力权重图M₂(X)；

然后，将注意力权重图M₂(X)中每个权重分别与第一结果中各自对应的像素进行一一相乘，最后借助残差方法，与原始特征图X逐像素相加，得到与原始特征图X尺寸相同的重要区域的高亮显示特征图

步骤三、从纵向和切向两个角度嵌入核函数，提取高亮显示特征图的高维非线性特征，得到两个不同方向的高维非线性特征图X′和Y′；

具体为：

首先，将特征图中的每一个纵向向量看作一维特征向量x_i∈R^C；

同时，将每一个切向向量看作二维特征向量x_j∈R^W×H，然后把每个二维的切向向量x_j∈R^W×H变形到长度为W×H的一维特征向量y_j；

最后，将两个一维特征向量x_i和y_j分别接入一个含余弦函数激活的非线性层，得到两个不同方向的高维非线性特征图X′和Y′；含余弦函数激活的非线性层包含一层卷积层和一层余弦激活函数；

具体为：

两个一维特征向量x_i和y_j分别与卷积层的卷积核参数W相乘，然后与卷积层的偏置参数b相加，再经过余弦激活函数得到对应位置的高维非线性特征向量X′_i，Y′_j，

计算公式如下：

X′_i＝cos(Wx_i+b)

Y′_j＝cos(Wy_j+b)

将所有切向向量输出X′_i，Y′_j分别组合得到两个高维非线性特征图X′和Y′；

步骤四、使用平均池化将两个高维非线性特征图X′和Y′分别进行特征降维，得到长度为C的两个特征向量，拼接后得到长度为2C的一个特征向量A；

步骤五、对长度为2C的特征向量A使用全连接进行融合，得到一个长度为类别数的特征向量B；

特征向量B中每个分量是对应类别的置信度分数；

步骤六、使用softmax机制对特征向量B中各类别的置信度分数进行归一化，取分数最大值，得到对应的分类的结果。

2.如权利要求1所述的一种多类别交通工具的精细识别方法，其特征在于，所述的步骤一中，VGG19网络包括16个卷积层和3个全连接层，其中卷积层都使用的是3x3的卷积和2x2的最大池化层；将VGG19网络中除去卷积模块的部分取缔，卷积模块的输出特征图大小为C×W×H；W代表特征图的宽，H代表特征图的高，C代表特征图的通道数。

3.如权利要求1所述的一种多类别交通工具的精细识别方法，其特征在于，步骤五中所述的类别包括：各种交通工具的分类，同一类交通工具的不同品牌类别，或者同一品牌类的不同型号类别。