人工智能–深度學習–python–算法–卷積神經網絡–圖像識別–預測分類

非線性函數：sgn 函數，sigmoid 函數，ReLU 函數（分段函數）
數據輸入層：去均值，歸一化（數據處理，回原點，單位統一）
卷積計算層：把圖像分成小塊，滑動窗口，與神經元進行卷積計算得到結果
激勵層：將線性關系轉化為非線性線性
池化層：夾在連續的卷積層中間， 用于壓縮數據和參數的量，減小過擬合(壓縮圖像)
過擬合：提取特征太多，在訓練樣本中表現得過于優越，但在驗證數據集以及測試數據集中表現不佳
欠擬合：提取特征太少
隨機梯度下降:
1.采 用 稀 疏 SIFT 特 征 的 車 型 識 別 方 法：
SIFT:
2.復雜背景下車型識別分類器的研究
基于支持向量機(SVM)
深度卷積神經網絡(DCNN)

3.基于深度學習的車型識別分析與研究 （劉靈）：http://cdmd.cnki.com.cn/Article/CDMD-10445-1017240106.htm
4.基于卷積神經網絡的轎車車型精細識別方法： http://xuebao.hebust.edu.cn/hbkjdx/ch/reader/create_pdf.aspx?file_no=b201706009&flag=1&journal_

問題
1.神經網絡層數越多,參數量越大,訓練這些參數也就需要海量的樣本。
2.數據集上,模型復雜度高的卷積神經網絡靈活性大,擬合能力強,很容易擬合數據集中潛在的噪聲。
3.參數之間的耦合性也增加了訓練難度。然而,模型復雜度低的卷積神經網絡往往表達能力不夠,無法很好地解決分類任務
（小數據集上有效利用復雜卷積神經網絡,一個常見的解決方法是利用遷移學習做初始化,然后用小數據集微調參數）
4.已有的基于神經網絡的車型識別研究仍然沒有很好地解決粗粒度車型識別中多視角因素的挑戰，要確保特征提取自同一個部位,所以限定了機動車圖像拍攝的視角。（創建粗粒度的多視角車型識別數據集MWTR，設計反饋增強的多分支卷積神經網絡FM-CNN，設計反饋增強的多分支卷積神經網絡FM-CNN）

論文寫作大綱
1.創建粗粒度的多視角車型識別(Multi-View Vehicle Type Recognition,MVVTR)數據集。已有的粗粒度車型識別數據集都是為基于特征提取或幾何估計的方法服務的。這些方法都只考慮了有限視角下的情況,因而無法在這些數據集上研究拍攝視角對車型識別的影響,只能創建新的車型數據集。
2.設計反饋增強的多分支卷積神經網絡(Feedback-enhanced Multi-branch Convolutional Neural Network, FM-CNN)。針對車型識別問題訓練或微調的神經網絡,性能很差,神經網絡無法學到有用的特征。考慮到諸如SIFT和HOG等傳統圖像描述子中將多尺度特征整合的方法,打算對已有神經網絡做出改進,將卷積部分擴展成多個分支,分別接受不同尺度的輸人。
3.微調FM-CNN的高層卷積層,避免過擬合從訓練或微調已有神經網絡的結果推斷,用小數據集訓練或微調FM-CNN里的所有參數會造成過擬合。考慮到卷積神經網絡里面不同卷積層學習到的特征跟人腦視覺神經元響應的特征具有相似的語義層次性,假設神經網絡淺層卷積層學習到的低語義特征對于不同的任務具有普適性,而高層卷積層學習到的高語義特征才具有任務特異性。所以,讓FM-CNN復用已有神經網絡的權重作為初始化,只微調高層卷積層和全連接層的權重,減少需要更新的參數量,降低過擬合的風險。

預期取得成果
https://www.lanzous.com/i1rxdji

總結

以上是生活随笔為你收集整理的22.基于深度学习的车型识别方法及系统实现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。