用于车辆识别的深度学习模型的优化

• 作者: 刘泽康 姜丽芬 孙华志 马春梅
• 来源期刊: 天津师范大学学报（自然科学版）
• 学科: 工学
• 关键词: 车辆识别 卷积神经网络 参数优化
• 年，卷（期）: 2019,（1）
• 所属期刊栏目: 电子与通信工程
• 页码范围: 71-75
• 页数: 5页
• 分类号: TP391
• 字数: 4278字
• 语种: 中文
• DOI: 10.19638/j.issn1671-1114.20190113

摘要

在车辆识别模型中,为减小深层卷积神经网络的计算开销,对网络模型参数进行优化,基于实验确定了模型最优参数,从而以较少的网络层数获得较高的车辆识别精度.针对真实拍摄场景车辆图像尺寸较小的问题,使用复制边界的方法减小卷积过程中的像素损失,以提高识别精度.基于车辆公开数据集ImageNet和PKU-VD进行实验,并与现有的高精度模型比较,结果表明,优化后的卷积神经网络的车辆识别精度高达99.74％,优于CNN+Adaboost的97.02％和GoogLeNet-lite的99.35％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	孙华志	天津师范大学计算机与信息工程学院	28	181	8.0	13.0
2	姜丽芬	天津师范大学计算机与信息工程学院	22	201	6.0	14.0
3	马春梅	天津师范大学计算机与信息工程学院	10	8	2.0	2.0
4	刘泽康	天津师范大学计算机与信息工程学院	2	0	0.0	0.0