基于DCNN特征与集成学习的车型分类算法

发布时间：2021-06-10 06:24

　　针对传统人工设计特征描述不充分及单分类器泛化能力弱等问题,提出一种基于深度卷积神经网络（DCNN）特征与集成学习相结合的车型分类算法。微调VGG16深度卷积神经网络模型,将全连接层Fc7输出的4096维矢量采用PCA方法降至100维,作为图像的特征表示;采用拉格朗日支持向量机（LSVM）作为基分类器,以Adaboost方法自动学习各样本及基分类器的权重实现分类器集成。基于BIT和MIO-TCD数据集的对比实验结果表明,平均分类精度分别达到84.5%与83%,优于其它传统特征与单分类器方法。 

【文章来源】：计算机工程与设计. 2020,41(06)北大核心

【文章页数】：5 页

【部分图文】：

MIO-TCD数据集上不同分类算法对比

总体框架

Adaboost-LSVM算法框架

【参考文献】：
硕士论文
[1]结合小波变换和互信息的车辆识别方法[D]. 范佳亮.清华大学 2016
[2]基于Gabor特征的稀疏表示车型识别研究[D]. 刘广威.西安电子科技大学 2015



本文编号：3221863