Document
拖动滑块完成拼图
首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

基于CMAL-Net的汽车前脸细粒度图像分类方法 

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

申请/专利权人:河北工业大学

摘要:本发明提供基于CMAL‑Net的汽车前脸细粒度图像分类方法,涉及针对汽车前脸的细粒度图像分类方法。该基于CMAL‑Net的汽车前脸细粒度图像分类方法,包括以下步骤:步骤S1.汽车前脸造型分类;步骤S2.特征提取;步骤S3.跨层相互学习策略;步骤S4.分类预测。本发明中,通过互注意力模块,模型实现不同层次特征间的动态信息交换,浅层特征获得深层特征的语义指导,深层特征借助浅层特征获得更多细节信息,互学习过程是持续的、双向的信息流动和反馈机制,融合不同层次信息的特征被反馈到网络中,优化每个层级的特征提取和信息处理,采用端到端训练方式,通过损失函数指导跨层互学习的优化,旨在最小化分类错误,同时最大化不同层级特征间的有效信息交流。

主权项:1.基于CMAL-Net的汽车前脸细粒度图像分类方法,其特征在于,包括以下步骤:步骤S1.汽车前脸造型分类获取汽车前脸造型的数据集,通过几何化解构和几何抽象重构的方法对汽车前脸进行分类,基于ResNet50骨干网络捕捉汽车前脸的关键造型元素,提出汽车前脸造型分类模型;步骤S2.特征提取提出的模型首先通过预定义的卷积神经网络架构提取输入图像的特征,输入图像的空间大小为448×448的图像,卷积神经网络包括5个阶段,每个阶段经过卷积层捕获图像不同层次的视觉信息,范围从浅层细节到中层、深层抽象特征;步骤S3.跨层相互学习策略使用跨层互学习机制促进浅层与深层特征间的信息交流,这种策略使网络能够结合深层的高级语义信息和浅层的细节信息,从而实现更精确的分类,基于ResNet50骨干网络设置多个专家层,利用跨层相互学习策略加强不同阶段特征的相互学习,提高模型对细节的捕捉能力;步骤S4.分类预测①在各层特征提取后,首先对特征图进行全局最大池化,将每个特征图的最大值提取出来;②利用多专家预测融合策略将浅层、中层和深层专家的预测结果进行融合;③模型使用数据增强策略在不同输入类型下进行预测分数的融合。

全文数据:

权利要求:

百度查询: 河北工业大学 基于CMAL-Net的汽车前脸细粒度图像分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。