Jan, 2024
细粒度车辆识别的渐进式多任务抗噪学习和蒸馏框架
Progressive Multi-task Anti-Noise Learning and Distilling Frameworks for Fine-grained Vehicle Recognition
Dichao Liu
TL;DR本文提出了一种渐进式多任务抗噪声学习（PMAL）框架和一种渐进式多任务蒸馏（PMD）框架，以解决细粒度车辆识别中由图像噪声引起的类内差异问题。通过将图像去噪视为图像识别中的一项额外任务，并渐进地使模型学习噪声不变性，PMAL 框架实现了较高的识别准确性。PMD 框架将 PMAL 训练模型的知识转移到原始骨干网络中，产生一个具有与 PMAL 训练模型相同识别准确性的模型，但没有原始骨干网络的额外开销。结合这两个框架，在 Stanford Cars 和 CompCars 等两个广泛使用的标准细粒度车辆识别数据集，以及北京理工大学（BIT）车辆、Vehicle Type Image Data 2（VTID2）和 Vehicle Images Dataset for Make Model Recognition（VIDMMR）等三个监控图像车辆类型分类数据集上，获得了显著超过以往最先进方法的模型，而没有原始骨干网络的额外开销。