基于優(yōu)化CNN結(jié)構(gòu)的交通標(biāo)志識別算法
大小：0.85 MB 人氣： 2017-12-06 需要積分：1
標(biāo)簽：識別算法(10314)cnn(21620)
現(xiàn)有算法對交通標(biāo)志進(jìn)行識別時，存在訓(xùn)練時間短但識別率低，或識別率高但訓(xùn)練時間長的問題。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)識別率；SVM分類器只專注于那些分類錯誤的樣本，對已經(jīng)分類正確的樣本不再處理，從而提高了訓(xùn)練速度。使用德國交通標(biāo)志識別數(shù)據(jù)庫進(jìn)行訓(xùn)練和識別，新算法的訓(xùn)練時間相對于傳統(tǒng)CNN訓(xùn)練時間減少了20. 67 %，其識別率達(dá)到了98. 24%。所提算法通過對傳統(tǒng)CNN結(jié)構(gòu)進(jìn)行優(yōu)化，極大地縮短了訓(xùn)練時間，并具有較高的識別率。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
基于優(yōu)化CNN結(jié)構(gòu)的交通標(biāo)志識別算法下載
相關(guān)電子資料下載
- CNN的定義和優(yōu)勢 112
- 基于CNN的網(wǎng)絡(luò)入侵檢測系統(tǒng)設(shè)計 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實現(xiàn)圖像識別 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