摘要

细粒度车辆识别（FGVR）是智能交通系统中的一项基本且重要的技术，但由于其固有的类内变化而非常困难。以往大多数关于FGVR的研究主要集中在由不同拍摄角度、位置等因素引起的类内变化上，而图像噪声导致的类内变化则较少受到关注。本文提出了一种渐进多任务抗噪学习（PMAL）框架和一种渐进多任务蒸馏（PMD）框架，以解决因图像噪声而导致的FGVR中的类内变化问题。PMAL框架通过将图像去噪作为图像识别中的一个附加任务，并逐步迫使模型学习噪声不变性，从而实现高识别精度。PMD框架则将经过PMAL训练的模型的知识迁移到原始骨干网络中，生成的模型在识别精度上与PMAL训练的模型相当，但不会给原始骨干网络带来任何额外开销。结合这两种框架，我们在两个广泛使用的标准FGVR数据集——斯坦福汽车（Stanford Cars）和CompCars——以及三个基于监控图像的车辆类型分类数据集——北京理工大学（BIT）-车辆、车辆类型图像数据2（VTID2）和用于品牌型号识别的车辆图像数据集（VIDMMR）——上获得了显著超过现有最先进方法的识别精度，同时没有给原始骨干网络带来任何额外开销。源代码可在以下地址获取：https://github.com/Dichao-Liu/Anti-noise_FGVR