卷积神经网络在车辆识别中的应用

TP391.41; 针对现有车辆识别方法计算量大,提取特征复杂等问题,提出一种基于卷积神经网络(convolutional neural network,CNN)的车辆识别方法.构建卷积神经网络模型,分别使用不同的卷积核、网络层数、特征图数对网络进行训练;通过100次迭代的学习结果得到最优模型,提取隐含层所有特征,并结合支持向量机进行识别;系统分析了不同参数对测试正确率和样本均方误差的影响.实验结果显示,CNN+SVM在车辆识别中的准确率明显优于传统CNN、PCA+SVM、HOG+SVM、Wavelet+SVM,正确率为97.00％,分析了样本识别错误的原因以及今后需要改进的地方,为以后的研究...

Full description

Saved in:
Bibliographic Details
Published in计算机科学与探索 Vol. 12; no. 2; pp. 282 - 291
Main Authors 彭清, 季桂树, 谢林江, 张少波
Format Journal Article
LanguageChinese
Published 中南大学信息科学与工程学院,长沙,410083%中南大学信息科学与工程学院,长沙410083 2018
湖南科技大学计算机科学与工程学院,湖南湘潭411201
Subjects
deep learning
特征提取
convolutional neural network (CNN)
support vector machine (SVM)
深度学习
卷积神经网络(CNN)
支持向量机(SVM)
vehicle recognition
车辆识别
feature extracting
Online AccessGet full text
ISSN1673-9418
DOI10.3778/j.issn.1673-9418.1704055

Cover

More Information
Summary:TP391.41; 针对现有车辆识别方法计算量大,提取特征复杂等问题,提出一种基于卷积神经网络(convolutional neural network,CNN)的车辆识别方法.构建卷积神经网络模型,分别使用不同的卷积核、网络层数、特征图数对网络进行训练;通过100次迭代的学习结果得到最优模型,提取隐含层所有特征,并结合支持向量机进行识别;系统分析了不同参数对测试正确率和样本均方误差的影响.实验结果显示,CNN+SVM在车辆识别中的准确率明显优于传统CNN、PCA+SVM、HOG+SVM、Wavelet+SVM,正确率为97.00％,分析了样本识别错误的原因以及今后需要改进的地方,为以后的研究指明了方向.
ISSN:1673-9418
DOI:10.3778/j.issn.1673-9418.1704055