基于卷积神经网络车型分类的研究

• 作者: 严庆 晏世武 罗金良
• 来源期刊: 智能计算机与应用
• 学科: 工学
• 关键词: 卷积神经网络 车型分类 迁移学习 数据增强
• 年，卷（期）: 2020,（1）
• 所属期刊栏目: 学术研究与应用
• 页码范围: 67-70
• 页数: 4页
• 分类号: TP391.41
• 字数: 2750字
• 语种: 中文

摘要

自ILSVRC大赛以来,卷积神经网络(Convolutional Neural Network,CNN)得到了迅速发展,众多学者将该技术用于图像的分类领域.车型分类是图像分类任务之一,在交通安全中具有很大的作用,因此使用CNN构建高效车型分类模型也越来越重要.为快速训练出高效的车型分类模型,首先使用迁移学习来训练本文的原始车型数据,其中InceptionV3模型精度最高,约85.91％.然而这些模型结构网络层次大多太深,且无法直接用于工程实践.因此,为了训练出精简且高效的模型结构,本文从CNN的基本概念出发,构建由卷积层、批规范层(Batch Normalization,BN)、池化层、Dropout层、全连接层和softmax层所组成的模型结构,使用带有约束权重的L2作为损失函数,并通过Adam优化算法对模型参数进行更新,又通过逐步增加卷积层数和调整全连接层神经元个数的方法,对数据增强过的车型数据进行训练和测试,结果表明卷积层数为4和全连接层神经元个数为256的模型结构的精度最好,约85.15％,较浅层次的网络达到了深层网络的性能.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	罗金良	南华大学机械工程学院	38	117	6.0	10.0
2	晏世武	南华大学机械工程学院	2	0	0.0	0.0
3	严庆	南华大学机械工程学院	4	1	1.0	1.0