發(fā)布時(shí)間：2021-10-19 17:11

　　隨著深度學(xué)習(xí)等人工智能技術(shù)的迅猛進(jìn)步,智能交通系統(tǒng)取得突破性進(jìn)展。汽車(chē)車(chē)型識(shí)別（Vehicle Model Recognition）作為其最基礎(chǔ)的一環(huán),在智能交通、智能安防以及智能收費(fèi)等若干方面發(fā)揮重要作用。汽車(chē)車(chē)型的精確識(shí)別不同于汽車(chē)品牌、類(lèi)型等分類(lèi)問(wèn)題,屬于細(xì)粒度分類(lèi)范疇,如何提升識(shí)別精度和提升效率是亟待解決的難題。本文基于深度學(xué)習(xí)方法,研究了數(shù)據(jù)集屬性對(duì)車(chē)型識(shí)別精度及效率的影響,提出汽車(chē)車(chē)型識(shí)別訓(xùn)練集角度緊致性的概念,并創(chuàng)建了針對(duì)中國(guó)市場(chǎng)的MTV-1638s數(shù)據(jù)集。在此基礎(chǔ)上基于ResNet-50提出多階段學(xué)習(xí)網(wǎng)絡(luò)MS-CNN車(chē)型識(shí)別方法,數(shù)值實(shí)驗(yàn)表明該算法可進(jìn)行高效車(chē)型識(shí)別。具體研究?jī)?nèi)容如下:（1）分析并提出了汽車(chē)車(chē)型識(shí)別訓(xùn)練集的角度緊致性及創(chuàng)建對(duì)應(yīng)車(chē)型數(shù)據(jù)庫(kù)。首先,針對(duì)中國(guó)汽車(chē)市場(chǎng)車(chē)型識(shí)別問(wèn)題,創(chuàng)建了一個(gè)更為合理的汽車(chē)數(shù)據(jù)集MTV-1638s,包括了中國(guó)市場(chǎng)常見(jiàn)的1638款車(chē)型。通過(guò)分類(lèi)分析發(fā)現(xiàn),訓(xùn)練庫(kù)中單一車(chē)型樣本數(shù)量及角度對(duì)識(shí)別效果影響較大。為此,本文創(chuàng)建了一個(gè)均勻角度采樣車(chē)型數(shù)據(jù)集ASMTV120s,在此基礎(chǔ)上研究了汽車(chē)角度分布對(duì)識(shí)別率的影響,實(shí)驗(yàn)表明:訓(xùn)練集中單車(chē)型僅... 

【文章來(lái)源】：大連理工大學(xué)遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 相關(guān)工作
        1.2.1 汽車(chē)車(chē)型識(shí)別(VMR)
        1.2.2 汽車(chē)車(chē)型數(shù)據(jù)集
    1.3 本文工作
    1.4 本章小結(jié)
2 汽車(chē)車(chē)型識(shí)別數(shù)據(jù)庫(kù)
    2.1 汽車(chē)數(shù)據(jù)集
        2.1.1 Stanford Cars
        2.1.2 VMMRdb
        2.1.3 Compcars
    2.2 MTV-1638s
    2.3 汽車(chē)數(shù)據(jù)集的屬性研究
    2.4 數(shù)據(jù)集緊致性評(píng)估方法
    2.5 本章小結(jié)
3 汽車(chē)車(chē)型識(shí)別算法
    3.1 深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)
        3.1.1 DCNN—網(wǎng)絡(luò)結(jié)構(gòu)
        3.1.2 汽車(chē)車(chē)型識(shí)別常用網(wǎng)絡(luò)模型
    3.2 汽車(chē)細(xì)粒度分類(lèi)方法
    3.3 車(chē)型識(shí)別方法數(shù)值實(shí)驗(yàn)與分析
        3.3.1 神經(jīng)網(wǎng)絡(luò)優(yōu)化算法
        3.3.2 數(shù)據(jù)增強(qiáng)
        3.3.3 實(shí)驗(yàn)結(jié)果
    3.4 多階段卷積神經(jīng)網(wǎng)絡(luò)(MS-CNN)
        3.4.1 空間金字塔池化
        3.4.2 1 *1 卷積層
        3.4.3 全局平均池化
        3.4.4 損失函數(shù)
    3.5 MS-CNN網(wǎng)絡(luò)模型
        3.5.1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        3.5.2 神經(jīng)網(wǎng)絡(luò)可視化
    3.6 MS-CNN實(shí)驗(yàn)結(jié)果與分析
    3.7 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝



本文編號(hào)：3445282