基于度量学习的少样本轮胎痕迹智能识别方法TireNet研究

针对开放环境下轮胎痕迹图像样本稀缺、类间差异大等挑战，延安大学团队提出融合坐标注意力(Coordinate Attention)与双向注意力LSTM(Bi-Att-LSTM)的TireNet框架。通过ResNet12主干网络提取方向敏感特征，结合改进Focal Loss解决样本不平衡问题，在自建1700样本数据集上实现5-way 1-shot 78.32%分类准确率，为交通事故调查提供高效AI辅助工具。

　　

在交通事故调查领域，轮胎痕迹作为"路面指纹"对车辆识别至关重要。然而现有技术面临三重困境：传统特征提取方法对光照和路面条件敏感；深度学习依赖海量标注数据，而实际案件中可用样本极少；开放环境导致的类内差异使细粒度识别更加困难。延安大学团队在《Engineering Applications of Artificial Intelligence》发表的研究，通过创新性融合计算机视觉与元学习技术，为这一难题提供了突破性解决方案。

研究团队采用三项核心技术：1) 构建含1700张样本的开放环境轮胎痕迹数据集，覆盖46类车辆在不同天气、路况下的痕迹；2) 设计坐标注意力增强的ResNet12网络，通过水平-垂直方向特征聚合捕捉痕迹走向特征；3) 开发双向注意力LSTM模块(Bi-Att-LSTM)，利用时序建模能力强化细粒度特征判别力。通过5-way K-shot实验范式验证，模型在样本稀缺场景下仍保持优异性能。

【Network architecture overview】
通过集成坐标注意力的ResNet12提取空间特征，其通道注意力模块将二维位置信息编码为方向感知特征。Bi-Att-LSTM模块分别处理支持集和查询集特征，通过余弦相似度度量实现端到端匹配，显著提升对胎面花纹细微差异的敏感性。

【Experimental setting】
在84×84像素输入尺度下，采用改进Focal Loss进行梯度更新，使模型聚焦困难样本。实验显示5-way 5-shot任务准确率达93.48%，较传统Few-shot方法提升超15%。消融实验证实坐标注意力模块使方向特征识别准确率提升9.2%。

【Conclusions】
该研究首次将双向时序建模引入轮胎痕迹识别，突破传统方法在开放环境下的性能瓶颈。所构建的数据集填补了该领域真实场景数据的空白，改进的Focal Loss策略为不平衡样本学习提供新思路。实际应用中，调查人员仅需1-5张样本即可快速锁定嫌疑车辆类型，大幅提升交通事故勘查效率。论文开源代码与数据集将推动智能交通取证技术的标准化发展。