基于改进卷积神经网络的车型识别

论文摘要

为解决传统车型识别方法提取特征信息单一、识别精度不高、效率低的问题,将卷积神经网络引入目标识别问题中,利用其清晰、高效的泛化能力完成车型的特征学习,围绕模型的框架结构设计和内部参数优化两个方面进行研究,提出一种基于改进的Alex Net网络模型。将循环神经网络与卷积神经网络融合嵌入二级框架,设计自定义池化方式并对参数更新过程方法进行合理组合,通过提取浅层和高层的组合特征保证训练过程输入信息的多样性,使特征表达更加精确,网络性能更加高效。将该模型应用于视频监控图像车型识别任务中,通过在BIT-vehicle数据集上的一系列对比实验验证了所提模型的有效性。

论文目录

• 0 引言
• 1 神经网络概述
•   1.1 卷积神经网络
•   1.2 循环神经网络
• 2 基于改进的卷积神经网络
•   2.1 网络框架设计的优化
•     2.1.1 改进后的Alex Net网络框架
•     2.1.2 最大值—均值池化方式
•   2.2 网络内部参数的优化
• 3 实验结果与分析
•   3.1 实验环境与设计
•     3.1.1 实验硬软件环境
•     3.1.2 实验样本预处理
•   3.2 实验结果分析
• 4 结束语

文章来源

类型: 期刊论文

作者: 陈立潮,卜楠,潘理虎,曹建芳,张英俊

关键词: 车型识别,卷积神经网络,循环神经网络,特征融合,池化

来源: 计算机工程与设计 2019年11期

年度: 2019

分类: 信息科技,工程科技Ⅱ辑

专业: 公路与水路运输,计算机软件及计算机应用,自动化技术

单位: 太原科技大学计算机科学与技术学院,中国科学院地理科学与资源研究所,忻州师范学院计算机科学与技术系

基金: 山西省中科院科技合作基金项目(20141101001),",十二五",山西省科技重大专项基金项目(20121101001),山西省科技攻关基金项目(20141039),山西省重点研发计划基金项目(201603D121031)

分类号: U495;TP391.41;TP183

DOI: 10.16208/j.issn1000-7024.2019.11.045

页码: 3331-3336+3348

总页数: 7

文件大小: 331K

下载量: 337