Una arquitectura óptima de BDCNN ML para la predicción de la marca y modelo del automóvil

Asumimos el desafío de clasificar fotos de automóviles, desde el tipo de automóvil más general hasta la marca, modelo y año precisos del vehículo para una entrada dada. Analizando conjuntos de datos preexistentes, descubrimos que CompCars-SV es un gran lugar para comenzar nuestro proyecto de clasificación. Demostramos que las redes neuronales convolucionales pueden obtener una precisión de clasificación de más del 90% en la tarea más difícil. Debido a una mezcla sesgada entre entrenamiento y pruebas, este resultado impresionante no es realmente típico de cómo la gente se desempeña en el mundo real. Usando un sistema de ML para detección de vehículos, generamos automáticamente un cuadro delimitador ajustado al vehículo para cada imagen, que difundimos al conjunto de datos completo junto con la anotación de nivel de tipo existente (pero limitada). Hemos diseñado e implementado algoritmos de clasificación de automóviles para analizar este conjunto de datos de automóviles, dos de los cuales aprovechan la naturaleza jerárquica de las anotaciones de automóviles. Según nuestra investigación, una clasificación más precisa del tipo de automóvil a una resolución más fina ahora logra una precisión del 99.25%. Sirve como un punto de referencia para investigaciones futuras. Al centrarse en tareas de "vehículo", este trabajo pretende llamar la atención sobre la falta de atención de la comunidad de visión a estas tareas en comparación con otros objetos. La razón importante para obtener una mayor precisión es la extracción de características del descriptor binario (BD) utilizando detección de bordes antes de entrenar la CNN. Este paso redujo el tamaño del conjunto de datos de automóviles; por lo tanto, la red tardó menos tiempo en entrenarse. De los resultados mostrados, queda claro que la arquitectura de red presentada, con 31 capas de capas convolucionales 2D, normalización de lotes, maxpool, ReLU, capa totalmente conectada y capa de clasificador Softmax, ha dado una mayor precisión. Numerosos problemas y soluciones relevantes relacionados con los automóviles aún deben ser examinados y investigados cuidadosamente, según nuestros hallazgos. La categorización de modelos de automóviles, la verificación de modelos y el pronóstico de atributos son solo algunos ejemplos de cómo se podría utilizar el conjunto de datos.