基于深度学习的车型识别的研究与应用

发布时间：2021-11-27 19:33

　　随着深度学习和计算机视觉技术的发展,图像识别技术在近年取得了很大的进步。目前基于车型识别分类已取得了较好的成果,但分类的类别停留在粗粒度类别上,而对细粒度的车型识别研究较少,准确率也不够高。研究如何对划分得较细的类别进行正确的分类,提高识别的准确率,具有重要的意义。本文研究了基于深度学习的车型识别方法,采用斯坦福公开的车型数据集作为研究对象,该数据集包括了多种车型图片,并带有细粒度的车型标签。由于数据集中车型的种类较多,但单类别图片数量较少,所以难以学习足够的特征进行分类。本文首先研究了常用的数据增强方法和爬虫方法,对数据集进行扩充。同时,研究了生成对抗网络,使用深度学习方法学习车辆图片分布,并根据分布生成图片对数据集进行进一步扩充。将原有数据集和增强的数据集整合并进行预处理,划分成训练集和测试集用于深度学习训练。其次,本文针对车型识别目标,提出了基于层次标签的双线性Inception网络。首先,建立了不同的端到端的卷积神经网络模型,并通过迁移学习利用从大量数据上学习到的的知识来解决数据库中仅有少量有标签样本数据的问题。通过训练和学习,提取有效的车型特征并进行分类。通过对比实验对模型进... 

【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

图２－１神经元??［２（）］

州3t田lh药毅

?５?１０??图２－４?ＲｅＬｕ函数??人工神经网络通常由输入层、隐藏层和输出层组成。输入层是网络的第一??层，输入层中的各个神经元接受原始输入数据。输入的数据称为输入向量。隐??藏层处于输入层和输出层之间，由众多神经元和连接组成。隐藏层的层数是不??定的，层数越多，网络就越深。隐藏层中的神经元数目也是不定的，数目越多??神经网络的非线性越显著，但网络也更宽，参数也更多。每层隐藏层中的神经??元接受上一层隐藏层的神经元的输出作为输入，经过分析和处理后将结果传给??下一层的神经元。一般认为，适当的增加隐藏层可以降低网络误差，提高模型??的准确率，但同时也使网络模型更复杂，从而增加网络的训练时间和发生过拟??合的现象。输出层是网络的最后一层

【参考文献】：
期刊论文
[1]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正.  计算机应用研究. 2012(08)

硕士论文
[1]卷积神经网络在图像识别上的应用的研究[D]. 许可.浙江大学 2012



本文编号：3522915