董振江+高燕+吳文熙

摘要：提出采用一種基于深度學(xué)習(xí)的識(shí)別方法，來輔助獲取訓(xùn)練模型中所需要的車輛屬性標(biāo)簽。該方法首先利用海報(bào)圖像構(gòu)建大規(guī)模車輛屬性數(shù)據(jù)集（SYSU-ZTE-CARS），訓(xùn)練基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的識(shí)別模型，再將模型遷移到監(jiān)測(cè)控制場(chǎng)景中進(jìn)行標(biāo)注測(cè)試，間接獲取屬性標(biāo)簽。采用CNN+softmax分類器的結(jié)構(gòu)作為基本框架，引入細(xì)粒度識(shí)別技術(shù)以進(jìn)一步優(yōu)化識(shí)別性能。利用5種常用車輛屬性進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果表明：所提出的方案不僅在SYSU-ZTE-CARS數(shù)據(jù)集上的識(shí)別精度高，而且在監(jiān)測(cè)控制場(chǎng)景下的標(biāo)注結(jié)果也很可靠。

關(guān)鍵詞： 精細(xì)化屬性識(shí)別；CNN；深度學(xué)習(xí)；計(jì)算機(jī)視覺

智能交通[1-2]領(lǐng)域中牽涉到很多計(jì)算機(jī)視覺的任務(wù)，需要對(duì)海量的視頻、圖像數(shù)據(jù)進(jìn)行處理、分析。在基于車輛視頻圖像的分析任務(wù)中，傳統(tǒng)技術(shù)不僅效率較低，耗費(fèi)巨大的人力、物力、財(cái)力，而且欠缺對(duì)數(shù)據(jù)的感知表達(dá)能力，沒有充分利用數(shù)據(jù)、挖掘數(shù)據(jù)特性，以致分析精度不夠高。引入車輛屬性識(shí)別的方法，可以增強(qiáng)算法對(duì)目標(biāo)車輛特征的理解和表達(dá)能力，大大提高分析任務(wù)的可靠性和效率。

隨著計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)技術(shù)的發(fā)展，以它們?yōu)榧夹g(shù)基礎(chǔ)的新一代智能分析技術(shù)，在目標(biāo)檢測(cè)、識(shí)別、檢索等任務(wù)中表現(xiàn)優(yōu)越，能夠極大地減少人力成本，提高監(jiān)測(cè)控制的效率，有巨大的應(yīng)用潛力。

自2012年ImageNet[3]國(guó)際大規(guī)模視覺識(shí)別比賽以來，業(yè)界掀起了一波基于計(jì)算機(jī)視覺和深度學(xué)習(xí)的識(shí)別技術(shù)研究和應(yīng)用熱潮。深度學(xué)習(xí)是一門大數(shù)據(jù)驅(qū)動(dòng)的技術(shù)，我們通常認(rèn)為：提供訓(xùn)練的數(shù)據(jù)量越大，所訓(xùn)練得到的模型性能越好；而在視頻監(jiān)測(cè)控制的應(yīng)用場(chǎng)景下，海量的視頻圖像數(shù)據(jù)會(huì)源源不斷地產(chǎn)生，因此將深度學(xué)習(xí)技術(shù)應(yīng)用在視頻監(jiān)測(cè)控制領(lǐng)域，恰能發(fā)揮其先天優(yōu)勢(shì)以及視頻數(shù)據(jù)的作用。

基于深度學(xué)習(xí)的屬性識(shí)別技術(shù)，通常以卷積神經(jīng)網(wǎng)絡(luò)（CNN）為基本工具。CNN模型參數(shù)的學(xué)習(xí)，目前使用最廣泛也是最穩(wěn)定的方法是有監(jiān)督的訓(xùn)練策略。這種策略需要使用大量車輛圖片及其屬性標(biāo)簽作為訓(xùn)練樣本。目前面臨最大的挑戰(zhàn)是：在現(xiàn)實(shí)監(jiān)測(cè)控制場(chǎng)景下的車輛屬性標(biāo)簽很難獲取。雖然有些屬性標(biāo)簽可以通過人工標(biāo)注的方式獲取，如顏色、視角、車類型、品牌等，但是這種方式同時(shí)也帶來了新的問題，如：顏色易受光照影響，在極端光照環(huán)境下，人眼無法正確判別車輛顏色；品牌往往需要通過車標(biāo)來確定，一旦車標(biāo)模糊、被遮擋、不可見，則需要通過人眼來判別車輛品牌。

另一方面，我們注意到：在互聯(lián)網(wǎng)上有大量帶有屬性標(biāo)簽的車輛海報(bào)圖片。為了獲取監(jiān)測(cè)控制場(chǎng)景下的車輛屬性標(biāo)簽，我們考慮了一種跨場(chǎng)景自動(dòng)標(biāo)注的技術(shù)方案。該方案中，我們先利用帶有屬性標(biāo)簽的車輛海報(bào)圖片訓(xùn)練屬性識(shí)別模型，再將此模型遷移到現(xiàn)實(shí)的監(jiān)測(cè)控制場(chǎng)景中，自動(dòng)標(biāo)注出車輛屬性。

1 車輛屬性識(shí)別的相關(guān)工作

1.1 車輛屬性識(shí)別的研究

目前，對(duì)于車輛屬性的研究工作和應(yīng)用都已經(jīng)相當(dāng)廣泛，主要集中于視角識(shí)別、顏色識(shí)別、車類型識(shí)別、品牌識(shí)別等幾個(gè)方面。

在視角識(shí)別方面，學(xué)術(shù)界主要在KITTI基準(zhǔn)測(cè)試平臺(tái)[4]上進(jìn)行。KITTI上的研究絕大部分是基于CNN的，其識(shí)別效果精度都非常高，有些優(yōu)秀的工作如多尺度CNN（MSCNN）[5]、循環(huán)滾動(dòng)卷積（RRC）[6]等，以及一些利用三維信息的工作，能夠在直接預(yù)測(cè)車輛偏轉(zhuǎn)角度的具體數(shù)值的任務(wù)上有可靠的性能表現(xiàn)。

在顏色識(shí)別方面，研究難點(diǎn)在于：光照影響對(duì)顏色判斷的干擾特別嚴(yán)重。目前主要的研究多是基于強(qiáng)判別性區(qū)域輔助的方式，具體實(shí)現(xiàn)手段主要包括利用關(guān)鍵點(diǎn)、利用局部分割等。在顏色特征表達(dá)上，主要有基于閾值分割、顏色直方圖和CNN等。

在車類型識(shí)別方面，可以分成兩大類：基于非視覺的方法和基于視覺的方法?；诜且曈X的方法，業(yè)界通常采用如雷達(dá)、超聲波、紅外線等傳感器信號(hào)開展研究應(yīng)用；基于視覺的方法則通過通用攝像頭采集視頻圖像數(shù)據(jù)，再通過計(jì)算機(jī)視覺技術(shù)進(jìn)行識(shí)別。目前的研究主要有基于直方圖特征、低維投影特征和稀疏表示特征等傳統(tǒng)方法。

在品牌與子品牌識(shí)別方面，研究成果同樣也可以分為傳統(tǒng)方法和深度學(xué)習(xí)方法兩大類。傳統(tǒng)方法主要是通過傳統(tǒng)特征工程的手段人工設(shè)計(jì)特征，如Curvelet變換、方向梯度直方圖（HOG）特征、分層梯度直方圖（PHOG）特征、邊緣方向直方圖（EOH）特征、Gabor小波等，也有基于融合特征進(jìn)行稀疏編碼的解決方案。深度學(xué)習(xí)方法，主要是基于CNN特征對(duì)屬性進(jìn)行判別的，也有一些針對(duì)細(xì)粒度識(shí)別的工作，如Part-based R-CNN 模型、基于分割圖輔助的CNN模型、雙線性CNN模型等。

總體來說，基于傳統(tǒng)方法的車輛識(shí)別技術(shù)都有特征設(shè)計(jì)過程反復(fù)、特征表達(dá)能力魯棒性差、模型泛化能力差的缺點(diǎn)；而基于深度學(xué)習(xí)的車輛屬性識(shí)別技術(shù)，則具有強(qiáng)大的數(shù)據(jù)描述能力，且在泛化性、識(shí)別精度、穩(wěn)定性上都比傳統(tǒng)方法更勝一籌。

1.2 CNN網(wǎng)絡(luò)的研究

屬性識(shí)別往往通過分類技術(shù)實(shí)現(xiàn)，而分類問題是作為基于CNN的視覺識(shí)別中一項(xiàng)最基本任務(wù)，其性能最主要體現(xiàn)在CNN網(wǎng)絡(luò)結(jié)構(gòu)之上，CNN網(wǎng)絡(luò)的發(fā)展直接就能夠反映分類精度變化。

在大規(guī)模視覺識(shí)別挑戰(zhàn)（ILSVRC）2012比賽中，AlexNet的成功再次掀起了學(xué)者們對(duì)CNN的研究熱潮。CNN結(jié)構(gòu)上的發(fā)展體現(xiàn)在兩個(gè)主要的維度上——深度和廣度。在深度上，從8層的AlexNet，到16層的VGG[7]、24層的GoogLeNet，再到152層的ResNet。在Cifar數(shù)據(jù)集上，ResNet還成功實(shí)現(xiàn)了極深網(wǎng)絡(luò)，層數(shù)達(dá)到1 001層。在2016年的ImageNet比賽中，商湯科技-香港中文大學(xué)團(tuán)隊(duì)更是使用了1 200層的極深網(wǎng)絡(luò)。在廣度上，GoogLeNet[8]首先設(shè)計(jì)出Inception模塊，在同一層網(wǎng)絡(luò)里使用了更多子網(wǎng)絡(luò)。

研究表明：CNN的層數(shù)越深，網(wǎng)絡(luò)表達(dá)能力越強(qiáng)。文章中，我們基于ResNet系列的網(wǎng)絡(luò)結(jié)構(gòu)開展實(shí)驗(yàn)，同時(shí)考慮到任務(wù)難度，也采用了輕量級(jí)網(wǎng)絡(luò)，如AlexNet；兼顧精度和測(cè)試效率，我們也采用了中等深度網(wǎng)絡(luò)，如VGG16。

1.3 相關(guān)數(shù)據(jù)集的情況

關(guān)于車輛屬性圖片數(shù)據(jù)集，目前比較有代表性的主要有CompCars[9]、BoxCars[10]、城鎮(zhèn)交通運(yùn)輸監(jiān)測(cè)控制系統(tǒng)數(shù)據(jù)集（UTS）[11]。

CompCars數(shù)據(jù)集由香港中文大學(xué)所提出，是目前學(xué)術(shù)界規(guī)模最大的車輛精細(xì)化屬性數(shù)據(jù)集。數(shù)據(jù)集分為兩部分：一部分來自于各大汽車門戶網(wǎng)站中的圖片；另一部分來自于道路監(jiān)測(cè)控制視頻截取出的圖片。第1部分收集161個(gè)汽車品牌、1 687個(gè)子品牌汽車，子品牌下還細(xì)分了汽車的生產(chǎn)年份，其中整車圖片有136 727張，汽車部分細(xì)節(jié)圖片有27 618張，這些圖片涵蓋車輛的5種視角、12種類型；第2部分有50 000張汽車正面的監(jiān)測(cè)控制圖像，同樣標(biāo)注了車類型、品牌和子品牌，除此之外，第2部分?jǐn)?shù)據(jù)還標(biāo)注了10種顏色。BoxCars數(shù)據(jù)集也是汽車海報(bào)圖片，標(biāo)注內(nèi)容和方式與CompCars相似，但其規(guī)模遠(yuǎn)不如CompCars。UTS數(shù)據(jù)集收集的是監(jiān)測(cè)控制場(chǎng)景下的原始圖片，是目前在該場(chǎng)景下標(biāo)注內(nèi)容最豐富、最貼近現(xiàn)實(shí)應(yīng)用場(chǎng)景的圖片。UTS數(shù)據(jù)集共3 600張圖片，涵蓋了6種場(chǎng)景，在每種場(chǎng)景內(nèi)包含多輛車，它的標(biāo)注內(nèi)容包括車輛位置、5種視角、9種顏色和6種常見車類型。

雖然UTS數(shù)據(jù)集非常貼近現(xiàn)實(shí)應(yīng)用場(chǎng)景，但是由于標(biāo)注量較小、屬性豐富性欠缺等原因，使得無法訓(xùn)練得到泛化能力較強(qiáng)的屬性識(shí)別模型。然而，CompCars的屬性標(biāo)簽也未與現(xiàn)實(shí)場(chǎng)景完全吻合，如CompCars并沒有覆蓋到如“貨車”“公交車”等常見車類型，其第2部分?jǐn)?shù)據(jù)雖然來自于卡口監(jiān)測(cè)控制場(chǎng)景，但視角單一。為了彌補(bǔ)CompCars和UTS數(shù)據(jù)集的不足，文中我們自行構(gòu)建了大規(guī)模的車輛屬性數(shù)據(jù)集SYSU-ZTE-CARS。

2 基于深度學(xué)習(xí)的車輛屬性識(shí)別方案

2.1 基于CNN的基本技術(shù)框架

基于深度學(xué)習(xí)的車輛屬性識(shí)別方案，主要以CNN作為基本工具。CNN是一種參數(shù)可學(xué)習(xí)的模型，通常是利用反向傳播（BP）算法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)更新，有著數(shù)據(jù)擬合能力強(qiáng)，訓(xùn)練簡(jiǎn)便，支持端到端的訓(xùn)練和測(cè)試的特點(diǎn)。在屬性識(shí)別技術(shù)方案（如圖1所示）中，CNN的作用是作為特征提取器，對(duì)輸入的圖片/視頻幀進(jìn)行特征表達(dá)，得到其具有較強(qiáng)判別性的特征向量；再利用分類器對(duì)特征向量進(jìn)行分類，以此實(shí)現(xiàn)對(duì)圖片/視頻幀中車輛屬性的識(shí)別。

文中所提出的方案選用了AlexNet[12]、VGG16[7]、ResNet[13]等經(jīng)典CNN模型，利用有監(jiān)督學(xué)習(xí)的方法，訓(xùn)練了多種屬性識(shí)別網(wǎng)絡(luò)模型，對(duì)不同屬性的識(shí)別性能進(jìn)行了測(cè)試評(píng)估和分析。

2.2 基于細(xì)粒度的識(shí)別優(yōu)化方案

屬性識(shí)別，本質(zhì)上是類內(nèi)區(qū)分。對(duì)于類內(nèi)判別性較強(qiáng)的屬性，如視角、顏色、車類型，直接采用“CNN+分類器”的方法已能夠獲得比較好的識(shí)別效果；但對(duì)于類內(nèi)區(qū)分度不明顯的屬性，如品牌和子品牌，我們通常需要使用基于細(xì)粒度的識(shí)別技術(shù)來提高識(shí)別的精確度。文中，我們采用雙線性CNN（B-CNN）[14]的方法，使用B-CNN網(wǎng)絡(luò)框架（如圖2所示），增強(qiáng)特征向量對(duì)于細(xì)粒度分類識(shí)別的表達(dá)能力。

B-CNN延續(xù)了一般物體分類的做法，即通過CNN提取特征，然后用向量表示特征，最后用分類器分類向量。一般物體分類的做法是用全連接層將特征圖轉(zhuǎn)化為一條特征向量，作者認(rèn)為這種做法導(dǎo)致特征向量的辨別程度不高，難以辨識(shí)相似度高的物體。在工作中，使用的是雙流CNN，它分別提取了兩個(gè)特征圖，并且將在這兩個(gè)特征圖每個(gè)位置算外積，然后用sum-pooling池化，最后再拉直成一條特征向量[14]。用這個(gè)特征向量進(jìn)行細(xì)粒度的分類識(shí)別，效果有顯著提升。

假設(shè)圖I某個(gè)區(qū)域i經(jīng)過兩個(gè)CNN對(duì)應(yīng)的特征圖分別是矩陣A（維）和B（維），其中M和N是兩個(gè)特征圖的深度，C可以是兩位的數(shù)對(duì)，代表寬和高。

那么此時(shí)兩矩陣相乘AT×B 的結(jié)果是矩陣Pi（維），則

將Φ（I ）拉直成一條向量L（維），即圖2中的雙線性特征向量。對(duì)這個(gè)特征向量做標(biāo)準(zhǔn)化處理后便可用作分類。在對(duì)細(xì)粒度屬性表達(dá)能力上，該方法所得到的特征向量比全連接層輸出的特征向量的更強(qiáng)。

2.3 車輛屬性識(shí)別演示系統(tǒng)

文中，我們研究并實(shí)現(xiàn)了一個(gè)車輛屬性識(shí)別演示系統(tǒng)，此原型系統(tǒng)的設(shè)計(jì)主要參考MVC框架，將界面、業(yè)務(wù)邏輯、數(shù)據(jù)三者分層，在修改業(yè)務(wù)邏輯時(shí)只需要修改控制層的部件，在修改用戶界面（UI）時(shí)，只需要對(duì)定義UI的xml文件做出修改，不需要改變控制層的代碼，降低了代碼的耦合性，增加重用性。系統(tǒng)的總體架構(gòu)如圖3所示：最上層是UI層，中間是業(yè)務(wù)邏輯層，下面是數(shù)據(jù)資源層，而右邊則是該系統(tǒng)的技術(shù)支持層。

演示系統(tǒng)使用python+pyqt4開發(fā)，界面簡(jiǎn)潔。系統(tǒng)主要功能是對(duì)輸入的圖像和視頻做車輛檢測(cè)和屬性識(shí)別處理，并輸出結(jié)果。系統(tǒng)的深度學(xué)習(xí)框架采用Caffe[15]，Caffe是采用C++語言開發(fā)的高清晰、高可讀性、高效的深度學(xué)習(xí)框架，支持多語言接口。

3 車輛屬性識(shí)別實(shí)驗(yàn)結(jié)果與分析

3.1 SYSU-ZTE-CARS數(shù)據(jù)集

我們使用有監(jiān)督的訓(xùn)練方法訓(xùn)練屬性識(shí)別模型，該方法需要訓(xùn)練樣本，即圖片及其屬性類別標(biāo)簽。因此，我們參考CompCars數(shù)據(jù)集的構(gòu)建方式和經(jīng)驗(yàn)，利用網(wǎng)絡(luò)爬蟲技術(shù)，從互聯(lián)網(wǎng)獲取了大量車輛圖片，并對(duì)所有圖片進(jìn)行了屬性標(biāo)注，構(gòu)建了用于訓(xùn)練屬性識(shí)別模型的大規(guī)模數(shù)據(jù)集SYSU-ZTE-CARS，圖4是該數(shù)據(jù)集的樣例圖片。

SYSU-ZTE-CARS數(shù)據(jù)集共有169 610張的車輛圖片，共標(biāo)注了5種常用車輛屬性，其屬性標(biāo)簽標(biāo)注情況如表1所示。其中，屬性標(biāo)簽包括正前、正后、正側(cè)、前側(cè)和后側(cè)共5種車輛視角；包括黑、白、紅、藍(lán)、黃、綠、紫、棕、灰、銀共10種顏色；包括“MPV”“SUV”“掀背車”“轎車”等15種類型，以及215種品牌和1 609種子品牌。

3.2 車輛屬性識(shí)別實(shí)驗(yàn)結(jié)果

在算法的性能測(cè)試實(shí)驗(yàn)中，我們初步采用單任務(wù)學(xué)習(xí)框架，在SYSU-ZTE-CARS數(shù)據(jù)集上對(duì)屬性識(shí)別算法性能進(jìn)行評(píng)估，如表2所示。所謂的單任務(wù)學(xué)習(xí)框架，即對(duì)每一種屬性，分別訓(xùn)練一個(gè)CNN模型，各屬性識(shí)別模型之間的參數(shù)不共享。

評(píng)測(cè)指標(biāo)我們采用Top-1精度評(píng)價(jià)策略，即把模型預(yù)測(cè)結(jié)果按置信度從高到低排序，只考慮置信度最高的預(yù)測(cè)結(jié)果是否正確。

實(shí)驗(yàn)結(jié)果表明：對(duì)于簡(jiǎn)單的屬性，如視角、顏色、車類型，采用輕量級(jí)網(wǎng)絡(luò)（AlexNet）或中等深度網(wǎng)絡(luò)（VGG16），已經(jīng)有比較可靠的識(shí)別精度。采用極深網(wǎng)絡(luò)（ResNet系列）雖然對(duì)識(shí)別精度有小幅提升，但同時(shí)也增加了模型的參數(shù)規(guī)模，增大了計(jì)算量。細(xì)粒度識(shí)別技術(shù)對(duì)于簡(jiǎn)單屬性的識(shí)別精度提升不但幫助不大，反而增加了模型運(yùn)算開銷。對(duì)于較困難的屬性，如品牌，輕量級(jí)網(wǎng)絡(luò)的特征判別性表達(dá)能力不足，增加網(wǎng)絡(luò)深度，可以明顯提高識(shí)別精度。采用細(xì)粒度識(shí)別優(yōu)化后，其識(shí)別精度有小幅上升。對(duì)于困難的屬性，如子品牌，僅僅增加網(wǎng)絡(luò)深度并不能獲得較好的識(shí)別性能，而須要通過細(xì)粒度的識(shí)別技術(shù)來增強(qiáng)特征的可判別性，才能達(dá)到可靠的識(shí)別精度。

圖5是算法識(shí)別效果樣例，上面兩行分別是SYSU-ZTE-CARS數(shù)據(jù)集上的樣例圖片和算法預(yù)測(cè)的屬性標(biāo)簽，下面兩行分別是在現(xiàn)實(shí)應(yīng)用場(chǎng)景中的測(cè)試樣例圖片和算法預(yù)測(cè)的屬性標(biāo)簽。預(yù)測(cè)標(biāo)簽中，黑色字體表示正確預(yù)測(cè)，紅色字體表示預(yù)測(cè)錯(cuò)誤。SYSU-ZTE-CARS上正確屬性通過構(gòu)建數(shù)據(jù)集的時(shí)候標(biāo)注獲得，由于現(xiàn)實(shí)場(chǎng)景中沒有預(yù)標(biāo)注的屬性標(biāo)簽，我們將預(yù)測(cè)結(jié)果與網(wǎng)上搜索結(jié)果進(jìn)行比對(duì)來判斷預(yù)測(cè)的正確性。我們抽取了1 000張真實(shí)場(chǎng)景的圖片作為測(cè)試樣例，人工評(píng)估的結(jié)論是：這種跨場(chǎng)景自動(dòng)標(biāo)注的方法在非極端條件下的識(shí)別精確度較度，比較可靠；在極端條件下，則仍須要人工檢驗(yàn)。

4 結(jié)束語

基于跨場(chǎng)景標(biāo)注的思路，通過構(gòu)建大規(guī)模車輛屬性數(shù)據(jù)集，在車輛海報(bào)圖片場(chǎng)景中訓(xùn)練屬性識(shí)別模型，再將模型遷移到現(xiàn)實(shí)監(jiān)測(cè)控制場(chǎng)景中進(jìn)行自動(dòng)標(biāo)注，以此方式間接獲得檢測(cè)控制場(chǎng)景下的車輛屬性標(biāo)簽。通過初步的實(shí)驗(yàn)測(cè)試評(píng)估，該思路可行性較高。

參考文獻(xiàn)

[1] 潘秋菱， 許曉杰， 肖乾友. CNGI上的一種電信新業(yè)務(wù)：智能交通[J]. 中興通訊技術(shù)， 2005， 11（5）：16-19

[2] 王滌宇， 付超賢. 交通2.0——智慧交通的關(guān)鍵[J]. 中興通訊技術(shù)， 2014， 20（4）：11-15. DOI： 10.3969/j.issn.1009-6868.2014.04.003

[3] RUSSAKOVSKY O， DENG J， SU H， et al. Imagenet Large Scale Visual Recognition Challenge[J]. International Journal of Computer Vision， 2015， 115（3）： 211-252

[4] GEIGER A， LENZ P， URSTASUN R. Are We Ready for Autonomous Driving？ The Kitti Vision Benchmark Suite[C]// 2012 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. USA： IEEE， 2012： 3354-3361

[5] CAI Z， FAN Q， FERIS R S， et al. A Unified Multi-Scale Deep Convolutional Neural Network for Fast Object Detection[C]//European Conference on Computer Vision. Germany： Springer International Publishing， 2016： 354-370

[6] REN J， CHEN X， LIU J， et al. Accurate Single Stage Detector Using Recurrent Rolling Convolution[EB/OL].[2017-04-27] .https：//arxiv.org/abs/1704.05776

[7] SIMONYAN K， ZISSERMAN A. Very Deep Convolutional Networks for Large-Scale Image Recognition[EB/OL].[2017-04-27]. https：//arxiv.org/abs/1409.1556

[8] SZEGEDY C， LIU W， JIA Y， et al. Going Deeper with Convolutions[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. USA： IEEE， 2015： 1-9. DOI： 10.1109/CVPR.2015.7298594

[9] YANG L， LUO P， CHANGELOY C， et al. A Large-Scale Car Dataset for Fine-Grained Categorization and Verification[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. USA：IEEE， 2015： 3973-3981. DOI： 10.1109/CVPR.2015.7299023

[10] SOCHOR J， HEROUT A， HAVEL J. BoxCars： 3D Boxes as CNN Input for Improved Fine-Grained Vehicle Recognition[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. USA：IEEE， 2016： 3006-3015. DOI： 10.1109/CVPR.2016.328

[11] ZHOU Y， LIU L， SHAO L， et al. DAVE： A Unified Framework for Fast Vehicle Detection and Annotation[C]//European Conference on Computer Vision. Germany： Springer International Publishing， 2016： 278-293

[12] KRIZHEVSKY A， SUSKEVER I， HINTON G E. Imagenet Classification with Deep Convolutional Neural Networks[C]//Advances in Neural Information Processing Systems. USA：IEEE， 2012： 1097-1105

[13] HE K， ZHANG X， REN S， et al. Deep Residual Learning for Image Recognition[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. USA： IEEE， 2016： 770-778. DOI： 10.1109/CVPR.2016.90

[14] LIN T Y， ROYCHOWDHURY A， MAJI S. Bilinear CNN Models for Fine-Grained Visual Recognition[C]//Proceedings of the IEEE International Conference on Computer Vision. USA：IEEE， 2015： 1449-1457

[15] JIA Y， SHELHAMER E， DONAHUE J， et al. Caffe： Convolutional Architecture for Fast Feature Embedding[C]//Proceedings of the 22nd ACM international conference on Multimedia. USA：ACM， 2014： 675-678