卷積神經(jīng)網(wǎng)絡在車標識別技術(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，建立一個高效的交通管理機制迫在眉睫，車輛識別技術(shù)應運而生。車標作為車輛的關(guān)鍵特征，包含了車輛制造商信息，又具有難以更換的特點，在識別中發(fā)揮輔助判別作用。
　　目前多數(shù)的車標識別算法為淺層結(jié)構(gòu)算法，其局限性在于有限計算單元情況下對復雜函數(shù)的表示能力有限。深度學習技術(shù)通過學習一種深層非線性網(wǎng)絡結(jié)構(gòu)，實現(xiàn)復雜函數(shù)逼近，并展現(xiàn)了強大學習數(shù)據(jù)集本質(zhì)特征的能力。卷積神經(jīng)網(wǎng)絡作為深度學習網(wǎng)絡的典型模型，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，便于發(fā)現(xiàn)數(shù)據(jù)的局部特征，并保持了對于位移、縮放、旋轉(zhuǎn)和其他形式扭曲的不變性。訓練樣本充足時，卷積神經(jīng)網(wǎng)絡在一些模式識別任務上表現(xiàn)出了優(yōu)越的性能。但訓練樣本稀少時，則表現(xiàn)出強烈依賴大樣本的特性。因此，研究卷積神經(jīng)網(wǎng)絡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)絡和卷積神經(jīng)網(wǎng)絡的基本概念，應用典型的卷積神經(jīng)網(wǎng)絡模型到車標識別任務中。相對于傳統(tǒng)的人工提取特征的車標識別

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。并針對卷積神經(jīng)網(wǎng)絡依賴大量數(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)提出兩種基于擾動思想的樣本擴充方案。方案一為對小樣本進行加噪和幾何變換，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，利用擾動后的特征子空間，重建新的樣本。
　　2)根據(jù)卷積神經(jīng)網(wǎng)絡所具有的層次化和局部感知區(qū)域的結(jié)構(gòu)上的特點，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)絡在小樣本下的實驗性能。
　　3)提出一種遷移學習的策略。根據(jù)不同的圖像識別任務中，不相關(guān)的數(shù)據(jù)集經(jīng)常會出現(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)絡性能得到提高的特點，本文利用MNIST手寫字符數(shù)據(jù)集訓練出一個卷積神經(jīng)網(wǎng)絡模型，并在此模型上對車標圖像進行訓練。
　　通過實驗可得，卷積神經(jīng)網(wǎng)絡可以很好地應用于車標識別技術(shù)中。訓練樣本數(shù)較少時，網(wǎng)絡的結(jié)構(gòu)對實驗性能存在重要影響。此外，通過樣本擴充、遷移學習的方法可以