卷積神經(jīng)網(wǎng)絡(luò)在車標(biāo)識(shí)別技術(shù)中的研究及其小樣本下的處理策略.pdf

1、隨著國內(nèi)汽車數(shù)量的日益增加，建立一個(gè)高效的交通管理機(jī)制迫在眉睫，車輛識(shí)別技術(shù)應(yīng)運(yùn)而生。車標(biāo)作為車輛的關(guān)鍵特征，包含了車輛制造商信息，又具有難以更換的特點(diǎn)，在識(shí)別中發(fā)揮輔助判別作用。
　　目前多數(shù)的車標(biāo)識(shí)別算法為淺層結(jié)構(gòu)算法，其局限性在于有限計(jì)算單元情況下對(duì)復(fù)雜函數(shù)的表示能力有限。深度學(xué)習(xí)技術(shù)通過學(xué)習(xí)一種深層非線性網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)復(fù)雜函數(shù)逼近，并展現(xiàn)了強(qiáng)大學(xué)習(xí)數(shù)據(jù)集本質(zhì)特征的能力。卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)網(wǎng)絡(luò)的典型模型，能將特征提取和

2、分類工作相結(jié)合，其局部感受野、權(quán)重共享和子采樣的結(jié)構(gòu)特點(diǎn)，便于發(fā)現(xiàn)數(shù)據(jù)的局部特征，并保持了對(duì)于位移、縮放、旋轉(zhuǎn)和其他形式扭曲的不變性。訓(xùn)練樣本充足時(shí)，卷積神經(jīng)網(wǎng)絡(luò)在一些模式識(shí)別任務(wù)上表現(xiàn)出了優(yōu)越的性能。但訓(xùn)練樣本稀少時(shí)，則表現(xiàn)出強(qiáng)烈依賴大樣本的特性。因此，研究卷積神經(jīng)網(wǎng)絡(luò)的小樣本處理策略具有重要意義。
　　本文介紹了人工神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的基本概念，應(yīng)用典型的卷積神經(jīng)網(wǎng)絡(luò)模型到車標(biāo)識(shí)別任務(wù)中。相對(duì)于傳統(tǒng)的人工提取特征的車標(biāo)識(shí)別

3、技術(shù)，本文所提方案擁有自主提取特征，圖像可直接輸入等特點(diǎn)。并針對(duì)卷積神經(jīng)網(wǎng)絡(luò)依賴大量數(shù)據(jù)的特征，提出三種小樣本下的處理策略。主要工作如下:
　　1)提出兩種基于擾動(dòng)思想的樣本擴(kuò)充方案。方案一為對(duì)小樣本進(jìn)行加噪和幾何變換，生成新的樣本。方案二為在各類樣本的特征子空間上增加擾動(dòng)，利用擾動(dòng)后的特征子空間，重建新的樣本。
　　2)根據(jù)卷積神經(jīng)網(wǎng)絡(luò)所具有的層次化和局部感知區(qū)域的結(jié)構(gòu)上的特點(diǎn)，考察不同大小的卷積核，以及不同規(guī)模的卷積神經(jīng)

4、網(wǎng)絡(luò)在小樣本下的實(shí)驗(yàn)性能。
　　3)提出一種遷移學(xué)習(xí)的策略。根據(jù)不同的圖像識(shí)別任務(wù)中，不相關(guān)的數(shù)據(jù)集經(jīng)常會(huì)出現(xiàn)的一些常用視覺模式和良好的初始狀態(tài)能使得卷積神經(jīng)網(wǎng)絡(luò)性能得到提高的特點(diǎn)，本文利用MNIST手寫字符數(shù)據(jù)集訓(xùn)練出一個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型，并在此模型上對(duì)車標(biāo)圖像進(jìn)行訓(xùn)練。
　　通過實(shí)驗(yàn)可得，卷積神經(jīng)網(wǎng)絡(luò)可以很好地應(yīng)用于車標(biāo)識(shí)別技術(shù)中。訓(xùn)練樣本數(shù)較少時(shí)，網(wǎng)絡(luò)的結(jié)構(gòu)對(duì)實(shí)驗(yàn)性能存在重要影響。此外，通過樣本擴(kuò)充、遷移學(xué)習(xí)的方法可以