车辆颜色识别（VCR）对于智能交通管理和刑事调查协助至关重要。然而，现有的车辆颜色数据集仅涵盖13个类别，无法满足当前的实际需求。此外，尽管已经付出了很多努力来进行VCR，但它仍然面临数据集中类别不平衡的问题。

在调查这个问题之后，由胡明迪领导的一个研究团队在《计算机科学前沿》杂志上发布了他们的新研究。

团队提出了一种新颖的VCR方法。他们提供了一个新的VCR数据集，其中包括24种车辆类别（车辆颜色-24），并提出了SMNN-MSFF模型，该模型具有多尺度特征融合和平滑调节。

前者旨在从局部到全局提取特征信息，而后者可以增加训练类不平衡的尾部类实例的图像的损失。大量消融实验表明，所提出的方法的每个模块都是有效的，特别是平滑调制模块，它有效地协助少数或尾部类的特征学习。

对车辆颜色-24和三个先前的代表性数据集进行全面的实验评估表明，所提出的SMNN-MSFF优于最先进的VCR方法。

在这项研究中，团队建立了一个包含24种车辆颜色的新数据集，称为“车辆颜色-24”（Vehicle Color-24）。这些颜色包括红色、深红色、粉色、橙色、深橙色、红橙色、黄色、柠檬黄、土黄、绿色、深绿色、草绿色、青色、蓝色、深蓝色、紫色、黑色、白色、银灰色、灰色、深灰色、香槟色、棕色和深棕色。车辆颜色-24可以弥补当前实际车辆交通管理和犯罪车辆追踪应用的需求。

然后，研究人员提出了一种基于SMNN-MSFF的新型车辆颜色识别方法。该算法关注任何数据集中存在的颜色分布不平衡性质。通过消融实验，损失函数对网络进行微调，使算法可以比对焦损失更好地捕捉小规模类别的特征。

该网络还增加了FPN模块以提取边缘和角点信息，有助于提取车辆形状特征和局部位置信息，以帮助识别车辆。此外，这个骨干网络只设计了42层，属于一种轻量级网络，以减轻存储压力并增加在实际应用中实现的可能性。

实验结果表明，本论文中所提出的方法的颜色识别能力在识别24种颜色时准确率达到94.96%。所提出的SMNN-MSFF方法优于最先进的VCR方法，并更好地满足对车辆颜色进行精细分类的要求。

然而，由于实际环境可能会受到不可预测的因素的影响，车辆颜色分布存在长尾效应，因此仍需要进一步努力来提高车辆颜色的精细识别能力。未来的工作将继续研究由于不同车辆颜色而导致的类别不平衡解决方案，并且车辆颜色数据集将需要具有长尾分布的特征。