融合独立组件的ResNet在细粒度车型识别中的应用

摘要

针对细粒度车型中子车系间识别率低的问题,同时为了增强卷积神经网络的表征能力,提出融合独立组件的残差网络(IC-ResNet)模型.优化ResNet网络,通过改进下采样层,减少特征信息损失,接着使用中心损失函数和Softmax损失函数联合学习策略,增强模型的类内聚性.在卷积层前引入独立组件(IC)层,获得相对独立的神经元,增强网络独立性,提高模型的特征表示能力,从而对细粒度车型实现更准确的分类.仿真实验表明,该模型在Stanford cars-196数据集上的识别准确率达到94.7％,与其他模型相比,实现了最优效果,从而验证了该车型识别模型的有效性.