隨著城市道路交通的不斷發(fā)展,人們對智能交通已經(jīng)體現(xiàn)出了迫切的需求。車型分類作為智能交通系統(tǒng)研究領(lǐng)域的重要分支,受到了極大的關(guān)注。傳統(tǒng)的車型分類方法已經(jīng)難以滿足需求,本文圍繞卷積神經(jīng)網(wǎng)絡(luò)在道路交通場景上的車型分類問題對訓(xùn)練數(shù)據(jù)分布、網(wǎng)絡(luò)結(jié)構(gòu)和模型壓縮等方面重點展開了研究。論文主要進(jìn)行了以下幾個方面的研究工作:(1)用增強后的BIT-Vehicle車型數(shù)據(jù)集對AlexNet、VGGNet、GoogLeNet、ResNet和三種不同深度的DenseNet-BC網(wǎng)絡(luò)分別進(jìn)行測試和比較,DenseNet-BC性能優(yōu)于其他模型,其中DenseNet-169分類正確率達(dá)到了94.83%。(2)針對DenseNet-169網(wǎng)絡(luò)在BIT-Vehicle數(shù)據(jù)集上各車型分類正確率差異性較大的問題,提出了基于數(shù)據(jù)分布自適應(yīng)重構(gòu)的模型訓(xùn)練方法。在減小各類車型分類正確率差異性的同時將正確率提高到了95.07%,并且緩解了因數(shù)據(jù)不平衡導(dǎo)致的網(wǎng)絡(luò)收斂分散的問題。(3)針對DenseNet-169網(wǎng)絡(luò)收斂速度較慢和部分車型相似度較高導(dǎo)致模型難以區(qū)分的問題,提出了基于雙通道DenseNet-BC網(wǎng)絡(luò)的車型分類方法,極大地...

【文章頁數(shù)】：72 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1-2萬方數(shù)據(jù)庫中每年卷積神經(jīng)網(wǎng)絡(luò)相關(guān)論文發(fā)表數(shù)量變化趨勢①從圖可以看出，卷積神經(jīng)網(wǎng)絡(luò)及其相關(guān)領(lǐng)域的研究熱度持續(xù)提高，由此可

電子科技大學(xué)碩士學(xué)位論文2展起到了積極的推動作用。圖1-2為過去十年萬方數(shù)據(jù)庫中每年關(guān)于卷積神經(jīng)網(wǎng)絡(luò)研究的論文發(fā)表數(shù)量變化趨勢①。圖1-2萬方數(shù)據(jù)庫中每年卷積神經(jīng)網(wǎng)絡(luò)相關(guān)論文發(fā)表數(shù)量變化趨勢①從圖1-2可以看出，卷積神經(jīng)網(wǎng)絡(luò)及其相關(guān)領(lǐng)域的研究熱度持續(xù)提高，由此可以看出卷積神經(jīng)網(wǎng)絡(luò)....

圖2-3LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)示意圖[10]

納疃妊?八惴�。卷�?窬??緹哂腥ㄖ倒蠶硨途植?感知的特點。一方面，同層網(wǎng)絡(luò)的神經(jīng)元與上一層神經(jīng)元之間連接的參數(shù)是共享的，即權(quán)值共享；另一方面，與前饋神經(jīng)網(wǎng)絡(luò)全連接方式不同，卷積神經(jīng)網(wǎng)絡(luò)各層之間是稀疏連接的，即下一層的每個神經(jīng)元與上一層的部分神經(jīng)元相連接，即局部感知。卷積神經(jīng)網(wǎng)絡(luò)的....

圖2-12密集模塊結(jié)構(gòu)[42]

第二章卷積神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)192.4.5DenseNet網(wǎng)絡(luò)為了使卷積神經(jīng)網(wǎng)絡(luò)模型有較高的識別精度，通常需要采用層數(shù)較多的網(wǎng)絡(luò)。對于深層次的網(wǎng)絡(luò)，容易出現(xiàn)梯度消失問題，而淺層網(wǎng)絡(luò)則通常不會出現(xiàn)這個問題。從信息流動的角度來看，淺層網(wǎng)絡(luò)輸入層與輸出層之間的路徑較短，能夠順暢地進(jìn)行信息....

圖3-1BIT-Vehicle數(shù)據(jù)集車型示例

第三章模型選擇和訓(xùn)練方法改進(jìn)21第三章模型選擇和訓(xùn)練方法改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型對數(shù)據(jù)的依賴性很強，如果沒有一個足夠大規(guī)模、完備性好的數(shù)據(jù)集，再優(yōu)秀的模型也難以得到很好的識別效果。高質(zhì)量數(shù)據(jù)的采集和標(biāo)注是極其繁瑣的，需要花費大量的時間和精力，所以如何充分利用數(shù)據(jù)信息提升模型性能是當(dāng)前....

本文編號：3939486