基于優(yōu)化CNN結(jié)構(gòu)的交通標(biāo)志識(shí)別算法
推薦 + 挑錯(cuò) + 收藏(0) + 用戶評(píng)論（0）
現(xiàn)有算法對(duì)交通標(biāo)志進(jìn)行識(shí)別時(shí)，存在訓(xùn)練時(shí)間短但識(shí)別率低，或識(shí)別率高但訓(xùn)練時(shí)間長(zhǎng)的問題。為此，綜合批量歸一化（BN）方法、逐層貪婪預(yù)訓(xùn)練（GLP）方法，以及把分類器換成支持向量機(jī)（SVM）這三種方法對(duì)卷積神經(jīng)網(wǎng)絡(luò)（CNN）結(jié)構(gòu)進(jìn)行優(yōu)化，提出基于優(yōu)化CNN結(jié)構(gòu)的交通標(biāo)志識(shí)別算法。其中：BN方法可以用來改變中間層的數(shù)據(jù)分布情況，把卷積層輸出數(shù)據(jù)歸一化為均值為0、方差為1，從而提高訓(xùn)練收斂速度，減少訓(xùn)練時(shí)間；GLP方法則是先訓(xùn)練第一層卷積網(wǎng)絡(luò)，訓(xùn)練完把參數(shù)保留，繼續(xù)訓(xùn)練第二層，保留參數(shù)，直到把所有卷積層訓(xùn)練完畢，這樣可以有效提高卷積網(wǎng)絡(luò)識(shí)別率；SVM分類器只專注于那些分類錯(cuò)誤的樣本，對(duì)已經(jīng)分類正確的樣本不再處理，從而提高了訓(xùn)練速度。使用德國(guó)交通標(biāo)志識(shí)別數(shù)據(jù)庫(kù)進(jìn)行訓(xùn)練和識(shí)別，新算法的訓(xùn)練時(shí)間相對(duì)于傳統(tǒng)CNN訓(xùn)練時(shí)間減少了20. 67 %，其識(shí)別率達(dá)到了98. 24%。所提算法通過對(duì)傳統(tǒng)CNN結(jié)構(gòu)進(jìn)行優(yōu)化，極大地縮短了訓(xùn)練時(shí)間，并具有較高的識(shí)別率。
非常好我支持^.^
(0) 0%
不好我反對(duì)
(0) 0%
下載地址
基于優(yōu)化CNN結(jié)構(gòu)的交通標(biāo)志識(shí)別算法下載
相關(guān)電子資料下載
- CNN的定義和優(yōu)勢(shì) 112
- 基于CNN的網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)設(shè)計(jì) 105
- 工廠智能視頻監(jiān)控系統(tǒng) CNN 52
- 如何在TensorFlow中構(gòu)建并訓(xùn)練CNN模型 60
- 如何利用CNN實(shí)現(xiàn)圖像識(shí)別 75
- 卷積神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)的區(qū)別 91
- NLP模型中RNN與CNN的選擇 66
- 卷積神經(jīng)網(wǎng)絡(luò)中池化層的作用 67
- cnn卷積神經(jīng)網(wǎng)絡(luò)分類有哪些 106
- cnn卷積神經(jīng)網(wǎng)絡(luò)三大特點(diǎn)是什么 87