基于SqueezeNet卷积神经网络的车辆颜色识别

发布时间：2022-12-18 00:59

　　为实现车辆颜色的精准识别,辅助现有车牌识别方法在智能交通系统中完成对车辆身份的精确认证,通过分析现有解决方案和探究卷积神经网络在实际应用中的问题,提出基于轻量级卷积神经网络SqueezeNet实现对车辆颜色识别的方法。轻量级卷积神经网络SqueezeNet的参数量是AlexNet网络结构的1/50,同时还能保证精度,避免由于网络结构复杂、参数量大造成的大规模计算和较高的计算机硬件需求,提升了模型的可移植性。选取车辆颜色识别（Vehicle_Color_Recognition）数据集作为研究基础,针对数据集进行了扩充和增强处理。以SqueezeNet为基准探究了特征融合对分类结果的影响,通过对比试验确定将fire7/concat输出特征图和fire9/concat输出特征图相融合。研究结果表明:轻量级卷积神经网络SqueezeNet在保证模型大小2.9 M、单张测试时间15 ms的基础上,训练精度为96.28%,而AlexNet的模型大小为227 M、单张测试时间24 ms、训练精度为96.18%;在实现同等精度的前提下,轻量级卷积神经网络Sque... 

【文章页数】：8 页

【文章目录】：
0 引 言
1 卷积神经网络提取特征
    1.1 卷积层
    1.2 激活函数
    1.3 池化层
2 基于SqueezeNet的车辆颜色识别
    2.1 数据预处理
    2.2 SqueezeNet的网络结构
        2.2.1 设计理念
        2.2.2 Fire module结构
    2.3 迁移学习
    2.4 模型训练
3 试验分析
    3.1 试验环境
    3.2 结果分析
        3.2.1 数据预处理对比结果
        3.2.2 模型对比结果
        3.2.3 特征融合结果
4 结 语


【参考文献】：
期刊论文
[1]数据增广求解贝叶斯Logistic回归模型的方法研究[J]. 侯禹腾.  计算机光盘软件与应用. 2014(15)

硕士论文
[1]基于深度学习的车辆颜色识别技术研究[D]. 王高亚.北京邮电大学 2017



本文编号：3721004