{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“短信”：{“索引”：{-“日期-部件”：[[2022,11,20]]，“日期-时间”：“2022-11-20T05:52Z”，“时间戳”：1668923502110}，“参考-计数”：24，“出版商”：“富士科技出版社”，“问题”：“6”，“资助者”：[{“名称”：“国家重点研发计划”，“奖项”：[“2018AAA0101000“]}，{“DOI”：“10.13039\/501100001809”，“name”：“国家自然科学基金”，“DOI-asserted-by”：“publisher”，“award”：[“62076028”]}]，“content-domain”：{“domain”:[]，“crossmark-restriction”：false}，“short-container-title”：[”JACIII“J.Adv.Computer.Intell.Intell.Inform.”]，“published-print”：“{”date-parts“：[2022,11,20]]}，”abstract“：“随着深度学习在图像分类、目标检测等视觉任务中的成功应用，深度学习受到了广泛关注。由于深度学习的健壮性和普遍性，汽车制造业作为国民经济的重要组成部分，需要深入学习，使生产线更加智能化，提高效率。然而，一些高级的一般深度学习模型，如ViT、TNT和Swin transformer，无法在特定场景下高精度地满足汽车制造要求。对于汽车生产线，工程师通常采用一些智能设计，这可以为设计深度学习模型提供先验知识。具体来说，在图像中，目标的位置通常是固定的。因此，为了利用先验位置，本文设计了一种具有先验位置的局部混合器来捕获局部特征。其主要思想是将整个特征映射分解为窗口特征映射，并沿通道维连接窗口特征映射以使每个窗口特征映射的卷积核参数相互独立。此外，采用MLP作为全局混频器来捕获全局特征，并采用CNN的金字塔结构。综合结果证明了该模型在汽车u2019车型识别中的有效性。特别是，该模型在我们的数据集上达到了97.938%的准确率，超过了一些变压器类模型<\/jats:p>“，”DOI“：”10.20965\/jacii.2022.p0922“，”type“：”journal-article“，”created“：{”date-parts“：[[2022,11,19]]，”date-time“：”2022-11-19T15:02:05Z“，”timestamp“：166887012500}，”page“：“10.20965”，“卷”：“26”，“author“：[{”given“：”Bin“，”family“：”Cao“，”sequence“：”first“，”affiliation“：[]}，”name“：”Beijing 100081，Beijing-Institute of Technology Haidian District，China“，”serquence“:”first”，“affiliance”：[]{“given”：“Hongbin”，“family”：“Ma”，“sequence”：“additional”，“abfiliation”：[]}，“member“：”8550“，”published-online“：{”date-parts“：[[2022,11,20]]}，”reference“：[{”key“：”key-10.20965\/jacii.2022.p0922-1“，”doi-asserted-by“：”crossref“，”unstructured“：”W.Sun，X.Zhang，X。He等人，结合最有效Gabor特征的两阶段车型识别方法，《计算机、材料与连续性》，第65卷，第3期，第2489-2510页，2020年。“，“DOI”：“10.32604”，“cmc.2020.012343”}，{“key”：“key-10.20965”，“jacii.2022.p0922-2”，“DOI-asserted-by”：“crossref”，“unstructured”：“A.D\u2019Eusanio，A.Simoni，S。Pini等人，用于动态手势识别的基于变换器的网络，三维视觉（3DV）国际会议，第623-632页，2020年。”，“DOI”：“10.1109”，“3DV50981.2020.00072”}，{“key”：“key-10.20965”，jacii.2022.p0922-3”，“DOI-asserted-by”：“crossref”，”非结构化“X.Ding，J.Wang，C.Dong，and Y。黄，基于深度主动学习的监控数据车辆类型识别，IEEE Trans。《车辆技术》，第69卷，第3期，第2477-2486页，2020年。“，“DOI”：“10.1109\/TVT.2020.2967077”}，{“key”：“key-10.20965\/jacii.2022.p0922-4”，“DOI-asserted-by”：“crossref”，“unstructured”：“T.Ojala，M.Pietikainen，and T。Maenpaa，\u201c具有局部二进制模式的多分辨率灰度和旋转不变纹理分类，\u201 d IEEE Trans。关于模式分析和机器智能，第24卷，第7期，第971-9872002页。Triggs，面向人类检测的梯度直方图，2005 IEEE计算机学会计算机视觉和模式识别会议（CVPR\u201905），第886-893页，2005年。“}，{“key”：“key-10.20965”，jacii.2022.p0922-6“，“unstructured”：“H.Touvron，M.Cord，M。Douze等人，《通过注意力训练数据高效的图像变换器和蒸馏》，《Proc。第38届国际机器学习大会，第139卷，第10347-10357页，2021年。“}，{“key”：“key-10.20965”，jacii.2022.p0922-7“，“doi-asserted-by”：“crossref”，“unstructured”：“X.Ke和Y.Zhang，基于密集注意力网络的细粒度车辆类型检测和识别，《神经计算》，第399卷，第247-257页，2020年。”，“doi”：“10.1016\/j.neucom.2020.2.101“}，{“key”：“key-10.20965\/jacii.2022.p0922-8”，“doi-asserted-by”：“crossref”，《非结构化》：“j.Deng，W.Dong，R.Socher等人，《201cImageNet:大规模分层图像数据库》，2009年IEEE计算机视觉和模式识别会议，第248-255页，2009年。”，“doi”：“10.1109\/CVPR.2009.5206848”}，}“key:”key-10.20965\/jacii.2022.p0922-9“，”非结构化“：”A.Dosovitskiy，L.Beyer，A.Kolesnikov等人，“u201cAn image is values 16\u00d7 16 words:Transformers for image recognition at scale，\u201d arXiv:2010.11929292929，2020。“}，{”key：“key-10.201965\/yacii.2022.p0922-10”，“非结构化”：“K.Han，A.Xiao，E。Wu等人，变压器中的变压器，神经信息处理系统的进展34（NeurIPS 2021），第15908-15919页，2021。Cao等人，\u201cSwin transformer:使用移位窗口的分层视觉变换器，\u201 d 2021 IEEE \/CVF Int.Conf.on Computer vision（ICCV），第9992-10002页，2021.“，“DOI”：“10.1109 \/ICCV48922.2021.00986”}，{“key”：“key-10.20965 \/jacii.2022.p0922-12”，“非结构化”：“I.O.Tolstikhin，N.Houlsby，A。Kolesnikov等人，《u201cMLP-Mixer:视觉的全MLP架构》，《神经信息处理系统的进展》34（NeurIPS 2021），第24261-242722021页？，\u201d arXiv:2109.05422，2021.“}，{”key“：”key-10.20965 \/jacii.2022.p0922-14“，”doi-asserted-by“：”crossref“，“unstructured”：“J.Guo，Y.Tang，K.Han et al.，\u201 cHire-MLP：Vision MLP via hierarchical rechangement，\u2018 d arXiv：2108.13341，2021.”，“doi”：“10.1109 \/CVPR52688.2022.00090”}，}“key”：“key-10.2096”ii.2022.p0922-15“，”doi-asserted-by“：”crossref“，”unstructured“：”S.Guan，B.Liao，Y.Du，and X.Yin，\u201c基于Radon-CDT混合转移学习的车辆类型识别，2019 IEEE第十届软件工程与服务科学国际会议（ICSESS），doi:10.1109\/ICSES47205.2019.9040687，2019.“，”doi“：”10.1109\/ICCESS472019.904068“}，{“key”：“key-10.20965 \/jacii.2022.p0922-16“，”doi-asserted-by“：”crossref“，“unstructured”：“J.Kim，J.-Y.Sung，and S.-H.Park，\u201cFaster-RCNN，YOLO，and SSD for real-time vehicle type recognition，\u201 d 2020 IEEE Int.Conf.on Consumer Electronics-Asia（ICCE-Asia），doi:10.1109\/ICCE-Asia49877.2020.9277040，2020。”，“doi”：“10.1109 \/ICCE-Asia49877.2020.9277040“}，{“key”：“key-10.20965 \/jacii.2022.p0922-17”，“unstructured”：“A.Krizhevsky，I.Sutskever，and G.E.Hinton，\u201cImageNet classification with deep convolutional neural networks，\u201 d Advances in neural Information Processing Systems 25（NIPS 2012），Article No.534，2012key-10.20965\/jacii.2022.p0922-18“，“非结构化”：“K.Simonyan和A.Zisserman，用于大规模图像识别的超深卷积网络，\u201d arXiv:1409.15562014.”}，{“key”：“key-10.201965\/yacii.2022.p0922-19”，“非结构性”：“C.Tang，Y.Zhao，G。Wang等人，\u201cSparse MLP for Image Recognition:Self Attention Really Necessary？，\u201d arXiv:2109.054222021。“}，{“key”：“key-10.20965\/jacii.2022.p0922-20”，“doi-asserted-by”：“crossref”，“unstructured”：“C.Szegedy，W.Liu，Y.Jia et al.，\u201c卷积深入，2015 IEEE计算机视觉与模式识别（CVPR）会议，第1-9页，2015年。”，“doi”：“10.1109\/CVPR.2015.7298594”}，}“key:”key-10.20965 \/jacii.2022.p0922-21“，”unstructured“：”X.Ding，C.Xia，X.Zhang等人，\u201cRepMLP：将卷积重新参数化为全连接层以用于图像识别，\u201 d arXiv:2105.01883，2021.“}，{”key“：”key-10.201965 \/yacii.2022.p0922-2“，”doi-asserted-by“：”crossref“，”非结构化“：”Z.Liu，H.Mao，C.-Y。Wu等人，2020年代的\u201cA ConvNet，\u201d arXiv:22011.03545，2022.“，”DOI“：”10.1109 \/CVPR52688.2022.01167“}，{“key”：“key-10.20965 \/jacii.2022.p0922-23”，“unstructured”：“A.Trockman和J.Z.Kolter，\u 201cPatches Are All You Need？，\u201 d arXiv：2201.09792，2022..p0922-24“，”DOI-asserted-by“：”crossref“，”非结构化“：”T.He，Z.Zhang，H.Zhang等人，《卷积神经网络图像分类技巧包》，2019 IEEE CVF Conf.on CVPR，第558-567页，2019年en“，”link“：[{”URL“：”https:\/\/www.fujipress.jp\/main\/wp-content\/themes\/fujipress\/hyosetu.php？ppno=JACIL002600060006“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}”，“deposed”：{“date-parts”：[2022,11,19]]，“date-time”：“2022-11-19T15:03:07Z”，“timestamp”：16688701 87000}，“分数”：1，“资源”：{primary“：{”URL“：”https:\/\/www.fujipress.jp\/jacii\/jc\/jaciai002600060922“}}，”subtitle“：[]，”shorttitle“：[]，”issued“：{date-parts”：[[2022,11,20]]}，“references-count”：24，“journal-issue”：{“issue”：“6”，“published-online”：{date-parts“：[2022,11,20]]]}，‘published-print’：{‘date-part’”：[[2022,11,20]]}}，“URL”：“http://\/dx.doi.org \/10.20965 \/jacii.2022.p0922“，”关系“：{}，”ISSN“：[”1883-8014“，”1343-0130“]，”ISSN-type“：[{”值“：”1883-814“，”类型“：”电子“}，{”价值“：”1343-0110“，”type“:”打印“}]，”主题“：[]，”发布“：{”日期部分“：[2022,11,20]]}}}}