發(fā)布時(shí)間：2018-06-09 11:58

  本文選題：深度學(xué)習(xí) + 卷積神經(jīng)網(wǎng)絡(luò)　； 參考：《有線(xiàn)電視技術(shù)》2017年12期

【摘要】：隨著深度學(xué)習(xí)的快速發(fā)展,深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)廣泛運(yùn)用于圖像識(shí)別領(lǐng)域,通過(guò)構(gòu)建不同的網(wǎng)絡(luò)模型和大量的圖像訓(xùn)練數(shù)據(jù),來(lái)讓計(jì)算機(jī)學(xué)習(xí)更多有用的圖像特征,從而提升圖像分類(lèi)或識(shí)別的準(zhǔn)確性。本文基于卷積神經(jīng)網(wǎng)絡(luò),構(gòu)建車(chē)輛圖像數(shù)據(jù)庫(kù),參考經(jīng)典的Alex Net網(wǎng)絡(luò)模型,修改了它的激活函數(shù)和輸出全連接層的網(wǎng)絡(luò)結(jié)構(gòu),并微調(diào)訓(xùn)練參數(shù)來(lái)對(duì)數(shù)據(jù)集進(jìn)行分類(lèi)識(shí)別,最終識(shí)別出了圖像中的車(chē)型及其品牌,準(zhǔn)確率可分別達(dá)到89.33%和93.33%。經(jīng)由實(shí)驗(yàn)驗(yàn)證,基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)車(chē)型識(shí)別的方法是切實(shí)可行的。
[Abstract]:With the rapid development of deep learning, convolution neural networks in depth learning have been widely used in the field of image recognition. By constructing different network models and a large amount of image training data, the computer can learn more useful image features. In order to improve the accuracy of image classification or recognition. In this paper, based on convolution neural network, the vehicle image database is constructed, referring to the classical Alex net network model, the activation function and the network structure of the output full connection layer are modified, and the training parameters are fine-tuned to classify and identify the data sets. Finally, the models and their brands are identified, and the accuracy is 89.33% and 93.33% respectively. Experimental results show that the method based on convolution neural network is feasible.
【作者單位】： 福州大學(xué)物理與信息工程學(xué)院福建省微電子集成電路重點(diǎn)實(shí)驗(yàn)室;福州大學(xué)物理與信息工程學(xué)院;
【分類(lèi)號(hào)】：TP18;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳愛(ài)斌;基于特征車(chē)的汽車(chē)車(chē)型識(shí)別[J];信息技術(shù);2004年05期

2 袁志勇,查桂峰,陳綿云,張仁宏;基于反對(duì)稱(chēng)小波的車(chē)型識(shí)別研究[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2005年06期

3 袁志勇,查桂峰,陳綿云;基于聚類(lèi)的二級(jí)模糊綜合評(píng)判的車(chē)型識(shí)別研究[J];計(jì)算機(jī)工程與應(yīng)用;2005年12期

4 運(yùn)國(guó)蓮;陳啟美;丁勝軍;;基于非完備貝葉斯網(wǎng)絡(luò)的車(chē)型識(shí)別方法[J];交通與計(jì)算機(jī);2006年01期

5 賈永濤;張帆;;車(chē)型識(shí)別專(zhuān)家系統(tǒng)的設(shè)計(jì)[J];計(jì)算機(jī)測(cè)量與控制;2006年04期

6 張寧;施毅;何鐵軍;;基于虛擬線(xiàn)圈的車(chē)型識(shí)別研究[J];交通與計(jì)算機(jī);2008年01期

7 顏?zhàn)客?;基于歷史數(shù)據(jù)的車(chē)型識(shí)別方案[J];中國(guó)交通信息化;2012年03期

8 袁愛(ài)龍;陳懷新;吳云峰;;基于尺度顯著性算法的車(chē)型識(shí)別方法[J];微型機(jī)與應(yīng)用;2012年15期

9 華莉琴;許維;王拓;馬瑞芳;胥博;;采用改進(jìn)的尺度不變特征轉(zhuǎn)換及多視角模型對(duì)車(chē)型識(shí)別[J];西安交通大學(xué)學(xué)報(bào);2013年04期

10 劉直芳,游志勝,徐欣,曹剛;車(chē)型識(shí)別系統(tǒng)中利用陰影特點(diǎn)快速定位車(chē)體[J];紅外技術(shù);2002年06期

相關(guān)會(huì)議論文 前10條

1 韓冬梅;呂芳;;智能交通系統(tǒng)中車(chē)型識(shí)別的軟件設(shè)計(jì)與實(shí)現(xiàn)[A];全國(guó)第4屆信號(hào)和智能信息處理與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2010年

2 王超;劉翠響;;視頻圖像中車(chē)輛的車(chē)型識(shí)別算法研究與實(shí)現(xiàn)[A];第二十七屆中國(guó)（天津）2013IT、網(wǎng)絡(luò)、信息技術(shù)、電子、儀器儀表創(chuàng)新學(xué)術(shù)會(huì)議論文集[C];2013年

3 鄧天民;邵毅明;崔建江;;一種車(chē)型識(shí)別算法及其應(yīng)用[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展——全國(guó)第17屆計(jì)算機(jī)科學(xué)與技術(shù)應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集（上冊(cè)）[C];2006年

4 張全元;戴光明;陳良;;一種新的基于實(shí)時(shí)視頻流的車(chē)型識(shí)別算法[A];圖像圖形技術(shù)與應(yīng)用進(jìn)展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2008年

5 陳文新;王長(zhǎng)富;戴蓓倩;;基于神經(jīng)網(wǎng)絡(luò)的漢語(yǔ)四聲識(shí)別[A];第一屆全國(guó)語(yǔ)言識(shí)別學(xué)術(shù)報(bào)告與展示會(huì)論文集[C];1990年

6 李睿;李明軍;;一種模糊高斯基神經(jīng)網(wǎng)絡(luò)在數(shù)值逼近上的仿真[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展——全國(guó)第17屆計(jì)算機(jī)科學(xué)與技術(shù)應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集（上冊(cè)）[C];2006年

7 許旭萍;臧道青;;采用Hopfield神經(jīng)網(wǎng)絡(luò)實(shí)施缸蓋表面點(diǎn)陣字符識(shí)別[A];第十五屆全國(guó)汽車(chē)檢測(cè)技術(shù)年會(huì)論文集[C];2011年

8 張大奇;曲仕茹;劉真崢;;基于環(huán)投影小波分形特征的車(chē)型自動(dòng)識(shí)別方案[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展·2007——全國(guó)第18屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集[C];2007年

9 朱長(zhǎng)春;;神經(jīng)網(wǎng)絡(luò)用于線(xiàn)性時(shí)固有系統(tǒng)的廣義狀態(tài)轉(zhuǎn)移矩陣的識(shí)別[A];中國(guó)工程物理研究院科技年報(bào)（1999）[C];1999年

10 趙天青;梁旭斌;許學(xué)忠;蔡宗義;張敏;;車(chē)型識(shí)別中聽(tīng)覺(jué)特征提取算法的研究[A];第三屆上�！靼猜晫W(xué)學(xué)會(huì)學(xué)術(shù)會(huì)議論文集[C];2013年

相關(guān)重要報(bào)紙文章 前1條

1 中國(guó)科技大學(xué)計(jì)算機(jī)系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類(lèi)大腦[N];計(jì)算機(jī)世界;2003年

相關(guān)博士學(xué)位論文 前10條

1 胡耀民;基于視頻的車(chē)型識(shí)別關(guān)鍵技術(shù)研究[D];華南理工大學(xué);2014年

2 李曉剛;基于神經(jīng)網(wǎng)絡(luò)的碼垛機(jī)器人視覺(jué)位姿測(cè)量及伺服控制研究[D];北京林業(yè)大學(xué);2015年

3 戶(hù)保田;基于深度神經(jīng)網(wǎng)絡(luò)的文本表示及其應(yīng)用[D];哈爾濱工業(yè)大學(xué);2016年

4 沈旭;基于序列深度學(xué)習(xí)的視頻分析：建模表達(dá)與應(yīng)用[D];中國(guó)科學(xué)技術(shù)大學(xué);2017年

5 諸勇;正交回歸神經(jīng)網(wǎng)絡(luò)及其在控制系統(tǒng)中的應(yīng)用[D];浙江大學(xué);1998年

6 李彥冬;基于卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)視覺(jué)關(guān)鍵技術(shù)研究[D];電子科技大學(xué);2017年

7 連自鋒;基于深層神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別算法研究[D];北京郵電大學(xué);2017年

8 包姣;基于深度神經(jīng)網(wǎng)絡(luò)的回歸模型及其應(yīng)用研究[D];電子科技大學(xué);2017年

9 薛迪秀;基于卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像癌變識(shí)別研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2017年

10 田景文;地下油藏的仿真與預(yù)測(cè)[D];哈爾濱工程大學(xué);2001年

相關(guān)碩士學(xué)位論文 前10條

1 鄧柳;基于深度卷積神經(jīng)網(wǎng)絡(luò)的車(chē)型識(shí)別[D];西南交通大學(xué);2015年

2 張明貴;道路車(chē)輛的車(chē)型識(shí)別方法研究[D];貴州民族大學(xué);2015年

3 涂文華;基于數(shù)據(jù)融合的交通物聯(lián)網(wǎng)感知節(jié)點(diǎn)研究與應(yīng)用[D];南昌大學(xué);2015年

4 劉超;多姿態(tài)車(chē)型識(shí)別算法設(shè)計(jì)及應(yīng)用研究[D];電子科技大學(xué);2014年

5 王欣;基于小波分析的車(chē)型自動(dòng)識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];電子科技大學(xué);2014年

6 凌永國(guó);基于卡口圖像車(chē)型識(shí)別的研究[D];廣西師范大學(xué);2015年

7 郭志明;基于視頻圖像的車(chē)型識(shí)別方法的研究[D];東北大學(xué);2014年

8 張飛云;基于深度學(xué)習(xí)的車(chē)輛定位及車(chē)型識(shí)別研究[D];江蘇大學(xué);2016年

9 程麗霞;監(jiān)控視頻中的車(chē)型識(shí)別技術(shù)研究[D];廣東工業(yè)大學(xué);2016年

10 高許;基于視頻圖像的車(chē)輛檢測(cè)及車(chē)型識(shí)別研究[D];燕山大學(xué);2016年

，

本文編號(hào)：1999649