用于车辆识别的深度学习模型的优化

作者：刘泽康; 孙华志; 姜丽芬; 马春梅^*

来源：天津师范大学学报（自然科学版）, 2019, 39(01): 71-75.

DOI：10.19638/j.issn1671-1114.20190113

• 车辆识别
• 卷积神经网络
• 参数优化

在车辆识别模型中,为减小深层卷积神经网络的计算开销,对网络模型参数进行优化,基于实验确定了模型最优参数,从而以较少的网络层数获得较高的车辆识别精度.针对真实拍摄场景车辆图像尺寸较小的问题,使用复制边界的方法减小卷积过程中的像素损失,以提高识别精度.基于车辆公开数据集ImageNet和PKU-VD进行实验,并与现有的高精度模型比较,结果表明,优化后的卷积神经网络的车辆识别精度高达99.74%,优于CNN+Adaboost的97.02%和GoogLeNet-lite的99.35%.

• 单位
  天津师范大学