多任务学习下的车型识别算法研究

发布时间：2023-03-04 10:42

　　车型识别系统对智能交通系统有着重要意义,能有效监控可疑车辆、统计车流量信息等等。基于浅层机器学习的算法虽然效率高,但需针对不同场景设计不同的特征,实际应用中场景复杂多变,这种方法显然无法满足实际要求。深度学习的出现为复杂环境场景下的车型识别系统带来了新思路,它能利用海量训练数据,来自动学习更泛化的特征。但其基础理论还不够完善,有效性需要通过实验来验证。在实际应用中,由于数据采集和标注困难,往往缺乏足够样本数据。而且大多数卷积神经网络模型是针对通用物体分类和检测的,在具体的应用场景需要进行相应改进。根据课题来源实际,分析了复杂卡口场景下的车辆检测和车型识别存在的问题。针对通用目标检测器在复杂场景中的单一检测的时候会出现漏检和误检的问题,组建了不同天气场景下的车辆检测数据集,使用K均值聚类算法分析卡口车辆检测数据集的分布特点,基于SSD(Single Shot Multibox Detector,SSD),设置了合适尺度和长宽比的区域候选框,删除冗余的区域候选框,改进通用检测算法。针对车型识别存在的数据集小、特征差异小、环境复杂多变导致过拟合的问题,从数据扩充、迁移学习策略和设计模型的角度...

【文章页数】：80 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 课题来源
    1.3 国内外研究现状
        1.3.1 车辆检测的研究现状
        1.3.2 车型识别的研究现状
        1.3.3 深度学习的研究现状
    1.4 论文研究内容和目录结构
第二章 课题简介及相关技术
    2.1 课题简介
        2.1.1 课题需求
        2.1.2 课题难点
        2.1.3 应用场景
    2.2 卷积神经网络
        2.2.1 卷积神经网络的原理
        2.2.2 卷积神经网络的结构
    2.3 深度学习中的目标检测算法
    2.4 深度学习中的迁移学习
    2.5 深度学习中的多任务学习
    2.6 本章小结
第三章 改进SSD的车辆检测算法
    3.1 问题描述
    3.2 SSD的检测思想
        3.2.1 模型概述
        3.2.2 损失函数
        3.2.3 SSD的训练和测试过程
    3.3 区域候选框设置
        3.3.1 卡口车辆检测数据集
        3.3.2 卡口车辆检测数据集的分布
    3.4 实验与结果分析
        3.4.1 实验环境
        3.4.2 评价指标
        3.4.3 实验与结果分析
    3.5 本章小结
第四章 基于分类学习和度量学习的车型快速识别算法
    4.1 问题描述
    4.2 过拟合的解决方法
        4.2.1 数据扩充
        4.2.2 迁移学习策略
        4.2.3 设计模型
    4.3 基于分类学习和度量学习的多任务学习算法
        4.3.1 双通道模型设计
        4.3.2 损失函数
    4.4 实验与结果分析
        4.4.1 实验环境
        4.4.2 车型识别数据集
        4.4.3 评价指标
        4.4.4 实验与结果分析
    4.5 本章小结
结论
参考文献
攻读学位期间发表的论文
攻读学位期间参加的科研项目
致谢



本文编号：3754140