為實(shí)現(xiàn)車輛顏色的精準(zhǔn)識(shí)別,輔助現(xiàn)有車牌識(shí)別方法在智能交通系統(tǒng)中完成對(duì)車輛身份的精確認(rèn)證,通過分析現(xiàn)有解決方案和探究卷積神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用中的問題,提出基于輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)SqueezeNet實(shí)現(xiàn)對(duì)車輛顏色識(shí)別的方法。輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)SqueezeNet的參數(shù)量是AlexNet網(wǎng)絡(luò)結(jié)構(gòu)的1/50,同時(shí)還能保證精度,避免由于網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、參數(shù)量大造成的大規(guī)模計(jì)算和較高的計(jì)算機(jī)硬件需求,提升了模型的可移植性。選取車輛顏色識(shí)別（Vehicle_Color_Recognition）數(shù)據(jù)集作為研究基礎(chǔ),針對(duì)數(shù)據(jù)集進(jìn)行了擴(kuò)充和增強(qiáng)處理。以SqueezeNet為基準(zhǔn)探究了特征融合對(duì)分類結(jié)果的影響,通過對(duì)比試驗(yàn)確定將fire7/concat輸出特征圖和fire9/concat輸出特征圖相融合。研究結(jié)果表明:輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)SqueezeNet在保證模型大小2.9 M、單張測(cè)試時(shí)間15 ms的基礎(chǔ)上,訓(xùn)練精度為96.28%,而AlexNet的模型大小為227 M、單張測(cè)試時(shí)間24 ms、訓(xùn)練精度為96.18%;在實(shí)現(xiàn)同等精度的前提下,輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)Sque... 

【文章頁(yè)數(shù)】：8 頁(yè)

【文章目錄】：
0 引 言
1 卷積神經(jīng)網(wǎng)絡(luò)提取特征
    1.1 卷積層
    1.2 激活函數(shù)
    1.3 池化層
2 基于SqueezeNet的車輛顏色識(shí)別
    2.1 數(shù)據(jù)預(yù)處理
    2.2 SqueezeNet的網(wǎng)絡(luò)結(jié)構(gòu)
        2.2.1 設(shè)計(jì)理念
        2.2.2 Fire module結(jié)構(gòu)
    2.3 遷移學(xué)習(xí)
    2.4 模型訓(xùn)練
3 試驗(yàn)分析
    3.1 試驗(yàn)環(huán)境
    3.2 結(jié)果分析
        3.2.1 數(shù)據(jù)預(yù)處理對(duì)比結(jié)果
        3.2.2 模型對(duì)比結(jié)果
        3.2.3 特征融合結(jié)果
4 結(jié) 語


【參考文獻(xiàn)】：
期刊論文
[1]數(shù)據(jù)增廣求解貝葉斯Logistic回歸模型的方法研究[J]. 侯禹騰.  計(jì)算機(jī)光盤軟件與應(yīng)用. 2014(15)

碩士論文
[1]基于深度學(xué)習(xí)的車輛顏色識(shí)別技術(shù)研究[D]. 王高亞.北京郵電大學(xué) 2017



本文編號(hào)：3721004