[发明专利]一种基于resnet-50改进的车型识别方法

说明书

本发明提出基于改进resnet‑50的汽车细粒度识别方法，通过一种基于多分支的resnet识别模型，并且向其中加入ECA注意力模块，提升了细粒度识别的精确度，一定程度上避免训练神经网络出现的过拟合现象。属于智能交通领域。其包括以下步骤：1)对resnet网络进行改良，添加ECA注意力模块，在不破坏通道之间依赖性的条件下添加通道注意力。2)将resnet输出分为原始分支和对象分支，并将这两个分支的损失加上部分损失，共同构成整体损失。3)引入注意力定位模块，将每一个特征图进行叠加，得到一个激活图，求激活图的平均值，得到一个激活阈值，通过阈值定位像素点是否应该被激活。4)通过pyqt和flask网页端可视化界面对输入图像进行类别预测。

技术领域

本发明提出一种基于resnet-50改进的车型识别网络，下文称为EMRnet，提高对细粒度识别的精确度，通过可视化界面对输入图片进行预测。属于细粒度识别领域。

背景技术

在交通识别应用中，车型识别是研究的关键问题之一。车型识别技术能够和车牌识别技术进行互补，以达到对套牌车辆的打击，因此准确的车型识别的研究意义也更加突出。

细粒度算法的准确度提升的关键在于是否能在图像中准确定位特征信息。对于常规的数据集，可以进行人为地标明出图像的边界框和特征部分的注释，但是在数据集较大的情况下会耗费大量的人力物力。另一种方法是通过引入注意力机制进行无监督学习，但是这种方法的难点在于如何引导注意力关注到能够区分图像的特征模块。本文发明主要针对神经网络resnet-50的改良，通过引入注意力模块，将resnet-50的输出进行修改，采取多分支结构，最后，通过可视化界面对输入图像进行类别预测。

发明内容

针对上述问题，本发明的是一种基于改进resnet-50的车型细粒度方法，通过添加ECA注意力模块，在不破坏通道间依赖性的情况下添加通道注意力。同时对resnet-50进行改良，去除resnet-50的最后一层fc，并将layer4经过avgpool 和dropout前后的输出进行训练，分别构成原始分支和对象分支，整体损失函数为原始分支、对象分支和滑动窗口的部分分支的损失之和，最后，使用训练好的模型对细粒度类别之内的图像进行预测，并且分别通过pyqt界面和flask网页端展示出来。

本发明采取如下技术方案：一种基于改进resnet-50的车型细粒度识别的网络EMRnet包括如下步骤：

1)通过transforms对输入图片进行数据增强的预处理。

2)向resnet-50网络的Bottleneck块中添加ECA注意力模块，解决了SE 模块降维过程中破坏通道之间依赖性的问题。

3)对resnet-50网络的输出进行修改，去除最后一个fc层，将经过layer4 裁剪后的输出记为conv5_b，再经过一次layer4得到fm，对fm进行avgpool和 dropout得到embeeding，返回这3个值。

4)引入注意力定位模块AOLM，对每一个特征图F∈R^C×W×H进行叠加，得到激活图计算激活图平均激活值遍历激活图，只保留大于激活值的像素点，从而构成激活定位图。对3)中的conv5_b和 fm同时采用AOLM方法，将它们产生的激活定位图的交集作为最终的激活定位图。

使用滑动窗口的方法对特征图进行采集，减少计算量，采用极大值抑制法(NMS)，选取能够表征整体特征的注意力框。

使用训练好的模型对细粒度类别之内的图像进行预测，并且分别通过pyqt 界面和flask网页端展示出来。

本发明由于采取以上方法，其具有以下优点：

1、通过使用transforms对输入图片进行数据增强，增强输入图片的鲁棒性。

2、向resnet中嵌入ECA注意力模块，在不破坏通道之间的依赖性的情况下添加通道注意力。