多任务学习的车辆结构化信息提取方法①

朱 红,岑跃峰,王思泰

1(中国电信股份有限公司 浙江分公司 政企客户事业部,杭州 310001)

2(浙江科技学院 信息与电子工程学院,杭州 310000)

随着城市化建设的不断推进,针对交通视频的对象行为分析和事件检测日益受到关注[1].而交通结构化信息提取技术[2]作为视频分析和交通控制的基础方法,其识别精确度决定了视频分析的准确率.由于人工智能在近年来的快速发展,使得目标检测、目标识别和目标跟踪等图像处理技术在交通领域也得到了广泛的应用.但基于深度学习的人工智能技术存在标注样本需求大,系统算力要求较高等问题,仍对该技术的推广造成了较大的影响.因此如何高效利用深度学习仍是当前业界关注的热点之一.

目前,大部分的方法需要将车辆结构化信息提取分为多个子任务进行处理,包括：运动检测[3-6]、目标检测[7-12]、目标跟踪[13-19]、车辆颜色识别[20-25]和车型识别[26-28]等,且各个子任务都有较好的解决方案.因此为了保证系统的准确率,需要利用多个卷积神经网络进行结构化信息进行提取,而多个神经网络的训练较为繁琐且各个子任务的样本准备较为困难,训练数据有限会直接影响网络特征的有效拟合,导致整体的检测精度下降.而且多个神经网络的使用也造成了重复的特征提取,严重影响了整体的系统的运行效率.将交通结构化信息提取分为多个步骤进行处理,也使得最终结果的准确率受到各个步骤的准确……