提出了一种名为DAVE的统一框架，用于快速车辆检测和属性学习。该框架包括两个主要模块：fastvehicleproposalnetwork(FVPN)用于车辆检测，attributeslearningnetwork(ALN)用于提取车辆属性。FVPN包含多个卷积层和池化层，而ALN基于GoogLeNet，并增加了用于表示车辆、姿态、颜色和类型的全连接层。
DAVE: A Unified Framework for Fast Vehicle Detection and Annotation
ECCV2016
本文使用深度学习进行车辆检测和属性学习。提出的系统为 Detection and Annotation for Vehicles (DAVE)
DAVE 可以干什么了？如下图所示：
DAVE 由两个模块构成：车辆检测模块 fast vehicle proposal network (FVPN)，车辆属性提取模块 attributes learning network (ALN)。
对于 FVPN 检测模块，有三个卷积层，两个池化层，随后分叉为三个 1×1 卷积层，这三个 1×1 卷积层分别对应Conv_fc_class 检测有无车辆， Conv_fc_bbr 坐标回归， Conv_fc_knowledge 从 ALN 学习到的信息，辅助检测。
对于 ALN，我们使用 GoogLeNet，在GoogLeNet后面加了4个全链接层 表示：V , P, C and T，V表示是否是车辆， P, C 和 T分别表示 pose, color and type。
结果对比：
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
