卷积神经网络在车标识别技术中的研究及其小样本下的处理策略

发布时间：2017-05-08 07:13

  本文关键词：卷积神经网络在车标识别技术中的研究及其小样本下的处理策略，由笔耕文化传播整理发布。

【摘要】：随着国内汽车数量的日益增加,建立一个高效的交通管理机制迫在眉睫,车辆识别技术应运而生。车标作为车辆的关键特征,包含了车辆制造商信息,又具有难以更换的特点,在识别中发挥辅助判别作用。目前多数的车标识别算法为浅层结构算法,其局限性在于有限计算单元情况下对复杂函数的表示能力有限。深度学习技术通过学习一种深层非线性网络结构,实现复杂函数逼近,并展现了强大学习数据集本质特征的能力。卷积神经网络作为深度学习网络的典型模型,能将特征提取和分类工作相结合,其局部感受野、权重共享和子采样的结构特点,便于发现数据的局部特征,并保持了对于位移、缩放、旋转和其他形式扭曲的不变性。训练样本充足时,卷积神经网络在一些模式识别任务上表现出了优越的性能。但训练样本稀少时,则表现出强烈依赖大样本的特性。因此,研究卷积神经网络的小样本处理策略具有重要意义。本文介绍了人工神经网络和卷积神经网络的基本概念,应用典型的卷积神经网络模型到车标识别任务中。相对于传统的人工提取特征的车标识别技术,本文所提方案拥有自主提取特征,图像可直接输入等特点。并针对卷积神经网络依赖大量数据的特征,提出三种小样本下的处理策略。主要工作如下：1)提出两种基于扰动思想的样本扩充方案。方案一为对小样本进行加噪和几何变换,生成新的样本。方案二为在各类样本的特征子空间上增加扰动,利用扰动后的特征子空间,重建新的样本。2)根据卷积神经网络所具有的层次化和局部感知区域的结构上的特点,考察不同大小的卷积核,以及不同规模的卷积神经网络在小样本下的实验性能。3)提出一种迁移学习的策略。根据不同的图像识别任务中,不相关的数据集经常会出现的一些常用视觉模式和良好的初始状态能使得卷积神经网络性能得到提高的特点,本文利用MNIST手写字符数据集训练出一个卷积神经网络模型,并在此模型上对车标图像进行训练。通过实验可得,卷积神经网络可以很好地应用于车标识别技术中。训练样本数较少时,网络的结构对实验性能存在重要影响。此外,通过样本扩充、迁移学习的方法可以提高实验性能。
【关键词】：车标识别 卷积神经网络 小样本 样本扩充 迁移学习
【学位授予单位】：安徽大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;TP183
【目录】：

• 摘要3-5
• Abstract5-9
• 第一章 绪论9-16
• 1.1 研究背景和意义9-10
• 1.2 国内外研究现状10-13
• 1.2.1 车标识别技术研究现状10-12
• 1.2.2 深度学习研究现状12-13
• 1.3 本文主要研究工作13-14
• 1.4 本文内容安排14-16
• 第二章 人工神经网络与卷积神经网络16-32
• 2.1 人工神经网络16-24
• 2.1.1 基本神经元16-18
• 2.1.2 感知机模型18-20
• 2.1.3 前向神经网络20-21
• 2.1.4 多层前向神经网络的误差反向传播算法21-24
• 2.2 卷积神经网络24-31
• 2.2.1 稀疏连接和权值共享25-26
• 2.2.2 卷积神经网络结构26-28
• 2.2.3 卷积神经网络的训练算法28-31
• 2.3 本章小结31-32
• 第三章 卷积神经网络在车标识别中的应用32-41
• 3.1 车标卷积神经网络结构32-34
• 3.2 车标卷积神经网络参数34-35
• 3.3 实验与结果35-40
• 3.3.1 车标样本数据集35-36
• 3.3.2 实验步骤36-38
• 3.3.3 实验结果38-40
• 3.4 本章小结40-41
• 第四章 卷积神经网络在小样本下的处理策略41-57
• 4.1 基于扰动的样本的扩充41-47
• 4.1.1 基于加噪和几何变换的扰动方法42-44
• 4.1.2 基于特征子空间的扰动方法44-47
• 4.2 网络结构调整47-51
• 4.2.1 卷积核大小调整47-49
• 4.2.2 网络规模的调整49-51
• 4.3 迁移学习51-56
• 4.3.1 MNIST手写数字数据集52-53
• 4.3.2 应用迁移学习的车标卷积神经网络53-56
• 4.4 本章小结56-57
• 第五章 总结和展望57-59
• 5.1 总结57-58
• 5.2 展望58-59
• 参考文献59-63
• 致谢63

【相似文献】

中国期刊全文数据库 前10条

1 云中客;新的神经网络来自于仿生学[J];物理;2001年10期

2 唐春明,高协平;进化神经网络的研究进展[J];系统工程与电子技术;2001年10期

3 李智;一种基于神经网络的煤炭调运优化方法[J];长沙铁道学院学报;2003年02期

4 程科,王士同,杨静宇;新型模糊形态神经网络及其应用研究[J];计算机工程与应用;2004年21期

5 王凡,孟立凡;关于使用神经网络推定操作者疲劳的研究[J];人类工效学;2004年03期

6 周丽晖;从统计角度看神经网络[J];统计教育;2005年06期

7 赵奇 ,刘开第 ,庞彦军;灰色补偿神经网络及其应用研究[J];微计算机信息;2005年14期

8 袁婷;;神经网络在股票市场预测中的应用[J];软件导刊;2006年05期

9 尚晋;杨有;;从神经网络的过去谈科学发展观[J];重庆三峡学院学报;2006年03期

10 杨钟瑾;;神经网络的过去、现在和将来[J];青年探索;2006年04期

中国重要会议论文全文数据库 前10条

1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年

2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集（上册）[C];2003年

3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年

9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

中国重要报纸全文数据库 前10条

1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年

2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年

3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年

4 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年

6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年

7 健康时报特约记者　 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年

8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年

9 ;神经网络和模糊逻辑[N];世界金属导报;2002年

10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年

中国博士学位论文全文数据库 前10条

1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年

3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年

4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年

5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年

6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年

7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年

8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年

9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年

10 陈辉;多维超精密定位系统建模与控制关键技术研究[D];东南大学;2015年

中国硕士学位论文全文数据库 前10条

1 章颖;混合不确定性模块化神经网络与高校效益预测的研究[D];华南理工大学;2015年

2 贾文静;基于改进型神经网络的风力发电系统预测及控制研究[D];燕山大学;2015年

3 李慧芳;基于忆阻器的涡卷混沌系统及其电路仿真[D];西南大学;2015年

4 陈彦至;神经网络降维算法研究与应用[D];华南理工大学;2015年

5 董哲康;基于忆阻器的组合电路及神经网络研究[D];西南大学;2015年

6 武创举;基于神经网络的遥感图像分类研究[D];昆明理工大学;2015年

7 李志杰;基于神经网络的上证指数预测研究[D];华南理工大学;2015年

8 陈少吉;基于神经网络血压预测研究与系统实现[D];华南理工大学;2015年

9 张韬;几类时滞神经网络稳定性分析[D];渤海大学;2015年

10 邵雪莹;几类时滞不确定神经网络的稳定性分析[D];渤海大学;2015年

  本文关键词：卷积神经网络在车标识别技术中的研究及其小样本下的处理策略，，由笔耕文化传播整理发布。

本文编号：350695