1樓：
emmm...來知乎引流,這是乙個車輛識別系統的demo.,python編寫
定位用的yolov3在公開資料集的權重,車牌用開源的hyperlpr庫,不提供顏色與車標的模型
PT123123/Vehicle-recognition-system
2樓：陳嘉豪
這幾家公司，除了依圖做過車型識別，其他公司都是扯。依圖被某家公司打的很慘，基本放棄車型，轉做人臉了。各位大神說了很多，我就提乙個，效率問題你們考慮了麼。
很多地方一天幾百萬上千萬的資料量，你們用多少伺服器去識別？不考慮實際問題，不把產品做到真正落地，不能真正好用去解決實際問題，其他的都是蝦扯蛋
3樓：
很多人沒有講到點上，這個問題主要是資料問題。模型則是其次的。
我想了下幾個方法
1.根據車牌找出車身位置進行一些特徵工程
2.如果是整車而言的話，是個細粒度分類問題。
可以看一下近年來的相關進展。
另外我想了個簡單的思路就是對汽車3d 建模，然後結合自然場景渲染出各個角度的樣本。其實工作量還是比較大的。
4樓：
做得好的就四家，依圖、曠視、商湯、格靈，圖森這種屬於二線梯隊，前四家我都已經在專案中見過了，圖森的還在襁褓實驗中，不在乙個level。當然，題主忽略了華富睿智，現在業內數一數二，做的最早也扎的最深，不過前面提到的四家現在進來分餅，華富後勁兒估計不大。
5樓：
我來說另乙個方面的吧。。。
每個方法的結果看起來很準確，這沒什麼問題。
但是我們還要注意到圖中其他好多車也是沒檢測出來啊。。
這就關係到深度學習的特性：資料！我們要模型檢測哪些物體就得提供該物體的大量資料，而顯然對應現實中那麼多車型不可能有那麼大的資料集，也沒必要。
而關於物體檢測，現在學術界的主流方法有兩種（大致列一下不敢班門弄斧了）：
1、以RCNN為代表的CNN特徵提取的方法（樓上已經有答主提到了）；
2、以YOLO為代表的回歸方法（YOLO，SSD等方法可以去了解了下）。
對了，樓上說到了業界的方法很實用，算是學習到了。學術界和工業界還是有區別的。
6樓：
匿名了，怕被逮出來。首先，這不全是深度學習做出來的，最後的幾點準確率，都是拼業務或者在資料上做手腳。這個識別不是直接一次性出結果的，是一層一層下來的，最開始那幾層如果準確率不高，後面就不用考慮了，所以最開始幾層幾乎是一百的準確率，這裡面還有個錯誤回查的策略，假設基於第一層的結果，再第三層出現的錯誤比較大，就再會回來看看，還有好多，不一一介紹，並不是簡單的乙個模型就搞定的。
對於工業界的應用來講，解決問題，才是目的。
7樓：
個人感覺車型識別應該會比general的物體識別要簡單吧。因為汽車本身是rigid object，它的外觀變化無非是角度和光照的差別。而且同一車型外觀完全一樣，所以訓練集的inter class variance不是很大。
對比general的物體識別問題，比如我有乙個類是貓，貓會有各種不同的品種，有不同的角度，還有各種姿態動作，訓練樣本之間千差萬別，要想學出乙個general的模型並且不會過擬合其實是很困難的。
所以我猜直接用一般的cnn訓練應該就可以得到比較好的結果。還可以通過先用乙個分類器識別出車的角度，對每個角度的樣本單獨訓練乙個車型分類器來提高準確率。
本人菜鳥，純屬猜測，不對的地方請更正，輕噴
機器視覺與計算機視覺的區別？
高沉 覺得換個角度先不去了解他們複雜的定義。可以先接觸兩者的產品。opencv 計算機視覺 openmv 機器視覺 有模組可購買，有對應開發方式 從學習中了解。其實很多東西就都可以明白了。 矩視智慧型 最簡單的解答是 機器視覺是通過呼叫各種演算法因子，針對目標特徵，定製化設定各種引數。其擅長解決以測...
電腦科學與技術專業，逐漸發現對計算機程式設計提不起興趣，每天也在認真上課，但感覺啥也沒學到，怎麼辦
Zuuu 聽你的描述感覺你是太焦慮了，焦慮會導致難以集中注意力，最終導致思維水平下降。睡飽覺，放鬆一點。計算機專業當下非常熱門，畢竟來錢快，人才自然往這個領域聚集了，競爭壓力大。簡單判斷自己在這行的前景怎樣，可以看看演算法和資料結構學怎麼樣，數學學怎麼樣，如果感覺沒什麼壓力，後面還是有發展潛力。如果...
電腦科學與技術和計算機及應用有哪些差別？
恕我孤陋寡聞了。在我個人印象中，電腦科學與技術 CST 是本科專業，只在本科類院校報考書上看到過。計算機應用，大專專業吧。我表哥讀的就是這個，三年制，出來之後找不到啥工作。本科專業和專科專業的區別不用我多說了吧？另，計科的性質是偏學術型的，也修程式設計，可以說是軟體型計算機專業的老祖宗了，什麼都學。...