基于改进卷积神经网络的车型分类算法研究

发布时间：2024-03-26 18:11

　　随着城市道路交通的不断发展,人们对智能交通已经体现出了迫切的需求。车型分类作为智能交通系统研究领域的重要分支,受到了极大的关注。传统的车型分类方法已经难以满足需求,本文围绕卷积神经网络在道路交通场景上的车型分类问题对训练数据分布、网络结构和模型压缩等方面重点展开了研究。论文主要进行了以下几个方面的研究工作:(1)用增强后的BIT-Vehicle车型数据集对AlexNet、VGGNet、GoogLeNet、ResNet和三种不同深度的DenseNet-BC网络分别进行测试和比较,DenseNet-BC性能优于其他模型,其中DenseNet-169分类正确率达到了94.83%。(2)针对DenseNet-169网络在BIT-Vehicle数据集上各车型分类正确率差异性较大的问题,提出了基于数据分布自适应重构的模型训练方法。在减小各类车型分类正确率差异性的同时将正确率提高到了95.07%,并且缓解了因数据不平衡导致的网络收敛分散的问题。(3)针对DenseNet-169网络收敛速度较慢和部分车型相似度较高导致模型难以区分的问题,提出了基于双通道DenseNet-BC网络的车型分类方法,极大地...

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

图1-2万方数据库中每年卷积神经网络相关论文发表数量变化趋势①从图可以看出，卷积神经网络及其相关领域的研究热度持续提高，由此可

电子科技大学硕士学位论文2展起到了积极的推动作用。图1-2为过去十年万方数据库中每年关于卷积神经网络研究的论文发表数量变化趋势①。图1-2万方数据库中每年卷积神经网络相关论文发表数量变化趋势①从图1-2可以看出，卷积神经网络及其相关领域的研究热度持续提高，由此可以看出卷积神经网络....

图2-3LeNet-5网络结构示意图[10]

纳疃妊?八惴ā＞砘?窬??缇哂腥ㄖ倒蚕砗途植?感知的特点。一方面，同层网络的神经元与上一层神经元之间连接的参数是共享的，即权值共享；另一方面，与前馈神经网络全连接方式不同，卷积神经网络各层之间是稀疏连接的，即下一层的每个神经元与上一层的部分神经元相连接，即局部感知。卷积神经网络的....

图2-12密集模块结构[42]

第二章卷积神经网络理论基础192.4.5DenseNet网络为了使卷积神经网络模型有较高的识别精度，通常需要采用层数较多的网络。对于深层次的网络，容易出现梯度消失问题，而浅层网络则通常不会出现这个问题。从信息流动的角度来看，浅层网络输入层与输出层之间的路径较短，能够顺畅地进行信息....

图3-1BIT-Vehicle数据集车型示例

第三章模型选择和训练方法改进21第三章模型选择和训练方法改进卷积神经网络模型对数据的依赖性很强，如果没有一个足够大规模、完备性好的数据集，再优秀的模型也难以得到很好的识别效果。高质量数据的采集和标注是极其繁琐的，需要花费大量的时间和精力，所以如何充分利用数据信息提升模型性能是当前....

本文编号：3939486