本文選題：卷積神經(jīng)網(wǎng)絡(luò) + 批量歸一化�。� 參考：《計(jì)算機(jī)應(yīng)用》2017年02期

【摘要】：現(xiàn)有算法對(duì)交通標(biāo)志進(jìn)行識(shí)別時(shí),存在訓(xùn)練時(shí)間短但識(shí)別率低,或識(shí)別率高但訓(xùn)練時(shí)間長(zhǎng)的問(wèn)題。為此,綜合批量歸一化(BN)方法、逐層貪婪預(yù)訓(xùn)練(GLP)方法,以及把分類器換成支持向量機(jī)(SVM)這三種方法對(duì)卷積神經(jīng)網(wǎng)絡(luò)(CNN)結(jié)構(gòu)進(jìn)行優(yōu)化,提出基于優(yōu)化CNN結(jié)構(gòu)的交通標(biāo)志識(shí)別算法。其中:BN方法可以用來(lái)改變中間層的數(shù)據(jù)分布情況,把卷積層輸出數(shù)據(jù)歸一化為均值為0、方差為1,從而提高訓(xùn)練收斂速度,減少訓(xùn)練時(shí)間;GLP方法則是先訓(xùn)練第一層卷積網(wǎng)絡(luò),訓(xùn)練完把參數(shù)保留,繼續(xù)訓(xùn)練第二層,保留參數(shù),直到把所有卷積層訓(xùn)練完畢,這樣可以有效提高卷積網(wǎng)絡(luò)識(shí)別率;SVM分類器只專注于那些分類錯(cuò)誤的樣本,對(duì)已經(jīng)分類正確的樣本不再處理,從而提高了訓(xùn)練速度。使用德國(guó)交通標(biāo)志識(shí)別數(shù)據(jù)庫(kù)進(jìn)行訓(xùn)練和識(shí)別,新算法的訓(xùn)練時(shí)間相對(duì)于傳統(tǒng)CNN訓(xùn)練時(shí)間減少了20.67%,其識(shí)別率達(dá)到了98.24%。所提算法通過(guò)對(duì)傳統(tǒng)CNN結(jié)構(gòu)進(jìn)行優(yōu)化,極大地縮短了訓(xùn)練時(shí)間,并具有較高的識(shí)別率。
[Abstract]:The existing algorithms for traffic sign recognition have the problem of short training time but low recognition rate or high recognition rate but long training time. Therefore, the convolution neural network (CNN) structure is optimized by synthesizing batch normalized BN method, layer by layer greedy pre-training (GLP) method and replacing classifier with support vector machine (SVM). A traffic sign recognition algorithm based on optimized CNN structure is proposed. In this method, the ratio BN method can be used to change the data distribution in the middle layer, and the output data of convolution layer can be normalized to mean value of 0 and variance of 1, so as to improve the speed of training convergence, and to reduce the training time, the GLP method is to train the first layer convolution network first. After training, keep the parameters, continue to train the second layer, keep the parameters until all the convolution layers have been trained, which can effectively improve the recognition rate of convolution network and the SVM classifier only focuses on the samples that are wrong in classification. Samples that have been correctly classified are no longer processed, thus improving the training speed. Using the German traffic sign recognition database to train and recognize, the training time of the new algorithm is 20.67 less than that of the traditional CNN, and the recognition rate reaches 98.244.The training time of the new algorithm is higher than that of the traditional CNN. By optimizing the traditional CNN structure, the proposed algorithm greatly reduces the training time and has a high recognition rate.
【作者單位】： 哈爾濱理工大學(xué)自動(dòng)化學(xué)院;中國(guó)科學(xué)院自動(dòng)化研究所;
【基金】：國(guó)家自然科學(xué)基金資助項(xiàng)目(61573357,61503382,61403370,61273267)~~
【分類號(hào)】：TP391.41;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王華偉,周經(jīng)倫,沙基昌;基于遺傳算法的一種新的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模式研究[J];小型微型計(jì)算機(jī)系統(tǒng);2002年04期

2 楊鐘瑾,史忠科;神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化方法[J];計(jì)算機(jī)工程與應(yīng)用;2004年25期

3 孫全玲;李瑩瑩;;遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的研究[J];福建電腦;2006年11期

4 鄧茗春;李剛;;幾種典型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的比較與分析[J];信息技術(shù)與信息化;2008年06期

5 喬俊飛;韓紅桂;;神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)動(dòng)態(tài)優(yōu)化設(shè)計(jì)的分析與展望[J];控制理論與應(yīng)用;2010年03期

6 袁曾任;控制中的一種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[J];控制與決策;1991年06期

7 王文平;;決策問(wèn)題的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[J];系統(tǒng)工程理論方法應(yīng)用;1993年01期

8 王繼成,蔡義發(fā),呂維雪;一種自動(dòng)生成神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的新方法[J];自動(dòng)化學(xué)報(bào);1996年01期

9 周金榮，黃道，蔣慰孫;一種新型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型的應(yīng)用研究[J];自動(dòng)化學(xué)報(bào);1996年04期

10 方劍;席裕庚;;神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的準(zhǔn)則和方法[J];信息與控制;1996年03期

相關(guān)會(huì)議論文 前2條

1 周金榮;黃道;蔣慰孫;;基于機(jī)理的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及其應(yīng)用的研究[A];1994年中國(guó)控制會(huì)議論文集[C];1994年

2 舒懷林;李柱;;大純滯后系統(tǒng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)PID控制器[A];1997中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];1997年

相關(guān)博士學(xué)位論文 前2條

1 張昭昭;模塊化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)自組織設(shè)計(jì)方法[D];北京工業(yè)大學(xué);2013年

2 朱群雄;神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)理論與技術(shù)的研究及其在過(guò)程模擬與過(guò)程控制中的應(yīng)用[D];北京化工大學(xué);1996年

相關(guān)碩士學(xué)位論文 前10條

1 許宜菲;多層前向小世界神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)自適應(yīng)模型研究[D];河北聯(lián)合大學(xué);2014年

2 征進(jìn);高階神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化與改進(jìn)[D];大連理工大學(xué);2010年

3 楊英;基于進(jìn)化算法的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化研究[D];廣東工業(yè)大學(xué);2007年

4 張慶慶;基于粒子群的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化模型研究[D];西安工程大學(xué);2010年

5 沈而默;多種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在樹(shù)葉形狀分類中的應(yīng)用和比較[D];吉林大學(xué);2007年

6 吳偉;基于改進(jìn)遺傳算法的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化研究[D];蘇州大學(xué);2012年

7 劉曉艷;基于敏感性分析的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選擇研究[D];河北大學(xué);2008年

8 費(fèi)蕓潔;基于靈敏度分析的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化方法研究[D];蘇州大學(xué);2007年

9 金蓉;神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化及混合建模研究[D];北京化工大學(xué);2000年

10 趙壽玲;BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化方法的研究及應(yīng)用[D];蘇州大學(xué);2010年

，

本文編號(hào)：2011070