一种多类别交通工具的精细识别方法

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M 1 (X)，然后将注意力权重图M 1 (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M 2 (X)；然后，将注意力权重图M 2 (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。