基于卷积神经网络车型分类的研究

摘要

自ILSVRC大赛以来,卷积神经网络(Convolutional Neural Network,CNN)得到了迅速发展,众多学者将该技术用于图像的分类领域。车型分类是图像分类任务之一,在交通安全中具有很大的作用,因此使用CNN构建高效车型分类模型也越来越重要。为快速训练出高效的车型分类模型,首先使用迁移学习来训练本文的原始车型数据,其中InceptionV3模型精度最高,约85.91%。然而这些模型结构网络层次大多太深,且无法直接用于工程实践。因此,为了训练出精简且高效的模型结构,本文从CNN的基本概念出发,构建由卷积层、批规范层(Batch Normalization,BN)、池化层、Dropout层、全连接层和softmax层所组成的模型结构,使用带有约束权重的L2作为损失函数,并通过Adam优化算法对模型参数进行更新,又通过逐步增加卷积层数和调整全连接层神经元个数的方法,对数据增强过的车型数据进行训练和测试,结果表明卷积层数为4和全连接层神经元个数为256的模型结构的精度最好,约85.15%,较浅层次的网络达到了深层网络的性能。