视觉车辆识别迁移学习算法

• 作者: 王海 蔡英凤
• 来源期刊: 东南大学学报（自然科学版）
• 学科: 工学
• 关键词: 车辆识别 迁移学习 样本自标注 概率神经网络 先进驾驶辅助系统
• 年，卷（期）: 2015,（2）
• 页码范围: 275-280
• 页数: 6页
• 分类号: TP391.4
• 字数: 4329字
• 语种: 中文
• DOI: 10.3969/j.issn.1001-0505.2015.02.015

摘要

针对采用大样本离线训练的车辆识别分类器在新场景中性能显著下降的问题,提出了一种具有样本自标注能力的车辆识别迁移学习算法,并采用概率神经网络(probability neural network,PNN)进行分类器训练.首先,提出一种基于多细节先验信息的样本标注策略,融合复杂度、垂直平面和相对速度等先验信息实现新样本的自动标注;然后,充分利用PNN训练速度快以及增加新样本时只需分类器进行局部更新的特点,将其引入到分类器训练模型中,取代传统机器学习算法中的Adaboost分类器.实验结果表明:该算法在新场景下的新样本标注准确率高达99.76％.通过迁移学习,新场景的车辆识别分类器性能较通用分类器在检测率和误检率指标上均有显著提升.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	蔡英凤	江苏大学汽车工程研究院	56	247	9.0	14.0
2	王海	江苏大学汽车与交通工程学院	38	221	9.0	13.0