Resumen

Se ha convertido en un tema de investigación desafiante identificar con precisión los vehículos en el pasado a partir de los datos de monitoreo masivo. El desafío radica en que el vehículo en la imagen tiene una gran actitud, ángulo de visión, luz y otros cambios, y estos cambios complejos afectarán seriamente el rendimiento de reconocimiento del vehículo. En los últimos años, la red neuronal convolucional (CNN) ha logrado un gran éxito en el campo de la reidentificación de vehículos. Sin embargo, debido a la pequeña cantidad de anotaciones de vehículos en el conjunto de datos de reidentificación de vehículos, el modelo CNN existente no se utiliza completamente en el proceso de entrenamiento, lo que afecta la capacidad de identificación del modelo de aprendizaje profundo. Para resolver los problemas anteriores, se propone un algoritmo de reconocimiento de vehículos de CNN simétrico de doble canal mediante la mejora de la estructura de la red. En este método, se toman dos muestras como entrada al mismo tiempo, en las que cada muestra tiene características complementarias. En este caso,

• Materias:Método de monitoreo Acoplamientos multimodales Ecuaciones simultáneas Anomalías de datos Procesamiento de robots
• Subjects:Monitoring method Multimodal couplings Simultaneous equations Data anomalies Robot processing
• Palabras claves:Vehículos; Monitoreo de datos; Red neuronal convolucional; Reidentificación de vehículos; Modelo CNN; Modelo de aprendizaje profundo
• Keywords:Vehicles; Monitoring data; Convolutional neural network; Vehicle reidentification; CNN model; Deep learning model