3、具體的模型
4、訓練的階段
5、實驗的資料集
6、實驗結果分析
三、具體創新
四、心得感想
五、專業詞彙的學習
傳統方法依賴人工設計特徵，如sift、pca+sift、hog等，這些特徵針對通用問題，運算量大且在實際應用中往往還需對輸入影象進行一系列的預處理工作。而卷積神經網路直接以原始影象為輸入，在訓練資料的驅動下通過自主學習獲取特徵描述，簡化特徵模型的同時提高運算效率。
cnn特徵學習模型訓練過程包括逐層構建cnn和訓練cnn兩個部分。
本文採用的是五層網路，網路的構建過程如上圖所示。
第一層為網路的輸入i，cnn能夠對二維影象的特徵進行自主學習，故在此將原始影象灰度化後直接作為網路的輸入。
第二層c1為網路的卷積層，卷積層通過6個5×5大小的濾波器和可加偏置bi進行卷積，得到6個21×21大小的特徵圖。
第三層s2為網路的下取樣層，所有的下取樣層都是依次通過如下處理得到:每鄰域四個畫素求和，權值wi+1(卷積核元素)加權，加上偏置bi+1，最後通過乙個影響函式核小的sigmoid啟用函式，將特徵圖縮小為6個58×46大小的特徵圖。
第四層c3為網路的卷積層，卷積層通過12個5×5大小的濾波器和可加偏置bi進行卷積，得到12個54×42大小的特徵圖。
第五層s為網路的下取樣層，所有的下取樣層都是依次通過如下處理得到:每鄰域四個畫素求和，權值wi+1(卷積核元素)加權，加上偏置bi+1，最後通過乙個影響函式核小的sigmoid啟用函式，將特徵圖縮小為12個27×21大小的特徵圖。
最後將12張特徵圖排列為一條列向量，得到最終的特徵向量。
1.正向傳播階段。將訓練樣本輸入cnn網路，得到實際輸出;
2.反向傳播階段。計算實際輸出與理想輸出間的誤差，通過反向傳播演算法逐層傳播誤差，並更新各層權值。
共採集不同尺度、光照和角度的車輛3000張，根據高速公路上三種車型出現的比例分別選取小車1400張，貨車950張，公客車650張。由於每張的大小不一，為了滿足深度卷積神經網路的輸入要求，在實驗中三種車型均歸一化為同一尺度(高寬比120×96)。每種車型隨機選取450張作為訓練樣本，其餘的作為測試樣本。
分析cnn的最優訓練次數，根據網路訓練次數分別定義三種網路為cnn1、cnn5、cnn10。從準確率來看，cnn5得到的特徵分類效果比cnn1得到的特徵分類效果提高了1%;而cnn10在cnn5基礎上只提高了0．1%，沒有明顯的提公升，但訓練時間前者約是後者的兩倍，所以從準確率和網路訓練時間綜合考慮，cnn5比較合適。從時間消耗來看，特徵提取時間三種網路差別較小，cnn5網路得到的特徵分類器訓練時間和識別時間均是最短的。綜合以上各因素，針對本文的資料集，選定cnn5用於特徵提取。表3還給出了車型識別中常用的hog特徵以及pca+sift特徵的識別效果進行比較。在特徵識別率方面，本文構建的cnn5比hog高了6.5%，比pca+sift高9%;從特徵提取速度來看，cnn5比hog快了2倍，比pca+sift快了95倍;在分類器訓練方面，pca+sift最快，比cnn5快了240倍，比hog快了350倍;分類識別時間pca+sift最快，比cnn5快了9倍，比hog快了10倍。綜合識別率和時間消耗兩個方面，cnn5的效果是最好的。
用cnn解決車型識別問題，乙個三分類的解決方案，相比於傳統的機器學習，使用cnn可以大幅度提高準確率和減低資料預處理的難度。
影象識別是乙個大的方向，其中車型的識別是乙個熱門問題，用cnn來解決車型識別是目前的乙個學術創新，也是乙個熱點研究方向，但是，我認為cnn來做車型識別已經到了乙個瓶頸，可以在使用cnn的基礎上，對cnn的某些步驟進行改進，從而進一步提高識別效率。但是，在這之前，必須先了解cnn。
vehicle recognition 車輛識別
另：一些說明
深度學習 卷積神經網路
一 卷積神經網路基礎 二 lenet 三 常見的一些卷積神經網路 卷積層的超引數 填充和步幅。步幅 stride 每次卷積核在輸入陣列上滑動的行數與列數。多輸入與輸出通道 將3維陣列除寬高外的一維稱為通道維。1 1卷積層 包含1 1的卷積核的卷積層。1 1卷積核在不改變輸入高寬的情況下調整通道數。如...
深度學習 卷積神經網路
卷積神經網路 convolutional neural networks,cnn 是一類包含卷積計算且具有深度結構的前饋神經網路 feedforward neural networks 是深度學習 deep learning 的代表演算法之一。卷積神經網路具有表徵學習 representation ...
卷積神經網路 有趣的卷積神經網路
一 前言 最近一直在研究深度學習，聯想起之前所學，感嘆數學是一門樸素而神奇的科學。f g m1 m2 r 萬有引力描述了宇宙星河運轉的規律，e mc 描述了恆星發光的奧秘，v h d哈勃定律描述了宇宙膨脹的奧秘，自然界的大部分現象和規律都可以用數學函式來描述，也就是可以求得乙個函式。神經網路 簡單又...