隨著深度學(xué)習(xí)和計(jì)算機(jī)視覺技術(shù)的發(fā)展,圖像識(shí)別技術(shù)在近年取得了很大的進(jìn)步。目前基于車型識(shí)別分類已取得了較好的成果,但分類的類別停留在粗粒度類別上,而對(duì)細(xì)粒度的車型識(shí)別研究較少,準(zhǔn)確率也不夠高。研究如何對(duì)劃分得較細(xì)的類別進(jìn)行正確的分類,提高識(shí)別的準(zhǔn)確率,具有重要的意義。本文研究了基于深度學(xué)習(xí)的車型識(shí)別方法,采用斯坦福公開的車型數(shù)據(jù)集作為研究對(duì)象,該數(shù)據(jù)集包括了多種車型圖片,并帶有細(xì)粒度的車型標(biāo)簽。由于數(shù)據(jù)集中車型的種類較多,但單類別圖片數(shù)量較少,所以難以學(xué)習(xí)足夠的特征進(jìn)行分類。本文首先研究了常用的數(shù)據(jù)增強(qiáng)方法和爬蟲方法,對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)充。同時(shí),研究了生成對(duì)抗網(wǎng)絡(luò),使用深度學(xué)習(xí)方法學(xué)習(xí)車輛圖片分布,并根據(jù)分布生成圖片對(duì)數(shù)據(jù)集進(jìn)行進(jìn)一步擴(kuò)充。將原有數(shù)據(jù)集和增強(qiáng)的數(shù)據(jù)集整合并進(jìn)行預(yù)處理,劃分成訓(xùn)練集和測(cè)試集用于深度學(xué)習(xí)訓(xùn)練。其次,本文針對(duì)車型識(shí)別目標(biāo),提出了基于層次標(biāo)簽的雙線性Inception網(wǎng)絡(luò)。首先,建立了不同的端到端的卷積神經(jīng)網(wǎng)絡(luò)模型,并通過遷移學(xué)習(xí)利用從大量數(shù)據(jù)上學(xué)習(xí)到的的知識(shí)來解決數(shù)據(jù)庫(kù)中僅有少量有標(biāo)簽樣本數(shù)據(jù)的問題。通過訓(xùn)練和學(xué)習(xí),提取有效的車型特征并進(jìn)行分類。通過對(duì)比實(shí)驗(yàn)對(duì)模型進(jìn)... 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：68 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－１神經(jīng)元??［２（）］

州3t田lh藥毅

?５?１０??圖２－４?ＲｅＬｕ函數(shù)??人工神經(jīng)網(wǎng)絡(luò)通常由輸入層、隱藏層和輸出層組成。輸入層是網(wǎng)絡(luò)的第一??層，輸入層中的各個(gè)神經(jīng)元接受原始輸入數(shù)據(jù)。輸入的數(shù)據(jù)稱為輸入向量。隱??藏層處于輸入層和輸出層之間，由眾多神經(jīng)元和連接組成。隱藏層的層數(shù)是不??定的，層數(shù)越多，網(wǎng)絡(luò)就越深。隱藏層中的神經(jīng)元數(shù)目也是不定的，數(shù)目越多??神經(jīng)網(wǎng)絡(luò)的非線性越顯著，但網(wǎng)絡(luò)也更寬，參數(shù)也更多。每層隱藏層中的神經(jīng)??元接受上一層隱藏層的神經(jīng)元的輸出作為輸入，經(jīng)過分析和處理后將結(jié)果傳給??下一層的神經(jīng)元。一般認(rèn)為，適當(dāng)?shù)脑黾与[藏層可以降低網(wǎng)絡(luò)誤差，提高模型??的準(zhǔn)確率，但同時(shí)也使網(wǎng)絡(luò)模型更復(fù)雜，從而增加網(wǎng)絡(luò)的訓(xùn)練時(shí)間和發(fā)生過擬??合的現(xiàn)象。輸出層是網(wǎng)絡(luò)的最后一層

【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)研究綜述[J]. 孫志軍,薛磊,許陽明,王正.  計(jì)算機(jī)應(yīng)用研究. 2012(08)

碩士論文
[1]卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別上的應(yīng)用的研究[D]. 許可.浙江大學(xué) 2012



本文編號(hào)：3522915