Semi-supervised vehicle classification via fusing affinity matrices

طبقه بندی خودرو نقش اساسی در سیستم های مختلف حمل و نقل هوشمند بازی می کند. با توسعه سریع نظارت بر ترافیک، میزان داده های وسایل نقلیه بصری به شدت افزایش یافته است و می تواند به آسانی جمع آوری شود. با این حال، کارآمد است که دستی برچسب برچسب های معنایی را برای این داده ها تعریف کند، و چالش عدم کفایت برچسب را به وظایف طبقه بندی خودرو نشان می دهد. در این زمینه، ما از یک مدل یادگیری نیمه نظارتی برای طبقه بندی انواع وسایل نقلیه استفاده می کنیم که تنها نیاز به تعداد کمی از داده های قبل از برچسب گذاری شده و این برچسب ها را به داده های باقی مانده در دست می گیرد. در مدل ما، ما ویژگی های چندگانه را از طریق ترکیب ماتریس های همبستگی خود برای افزایش دقت طبقه بندی ترکیب می کنیم. ما آزمایش های متعددی برای اعتبارسنجی روش ما در یک مجموعه داده های وسیله نقلیه عمومی انجام می دهیم. نتایج تجربی حمایت از اثربخشی روش ما است.