22.基于深度学习的车型识别方法及系统实现
人工智能–深度学习–python–算法–卷积神经网络–图像识别–预测分类
非线性函数：sgn 函数，sigmoid 函数，ReLU 函数（分段函数）
数据输入层：去均值，归一化（数据处理，回原点，单位统一）
卷积计算层：把图像分成小块，滑动窗口，与神经元进行卷积计算得到结果
激励层：将线性关系转化为非线性线性
池化层：夹在连续的卷积层中间， 用于压缩数据和参数的量，减小过拟合(压缩图像)
过拟合：提取特征太多，在训练样本中表现得过于优越，但在验证数据集以及测试数据集中表现不佳
欠拟合：提取特征太少
随机梯度下降:
1.采 用 稀 疏 SIFT 特 征 的 车 型 识 别 方 法：
SIFT:
2.复杂背景下车型识别分类器的研究
基于支持向量机(SVM)
深度卷积神经网络(DCNN)
3.基于深度学习的车型识别分析与研究 （刘灵）：http://cdmd.cnki.com.cn/Article/CDMD-10445-1017240106.htm
4.基于卷积神经网络的轿车车型精细识别方法： http://xuebao.hebust.edu.cn/hbkjdx/ch/reader/create_pdf.aspx?file_no=b201706009&flag=1&journal_
问题
1.神经网络层数越多,参数量越大,训练这些参数也就需要海量的样本。
2.数据集上,模型复杂度高的卷积神经网络灵活性大,拟合能力强,很容易拟合数据集中潜在的噪声。
3.参数之间的耦合性也增加了训练难度。然而,模型复杂度低的卷积神经网络往往表达能力不够,无法很好地解决分类任务
（小数据集上有效利用复杂卷积神经网络,一个常见的解决方法是利用迁移学习做初始化,然后用小数据集微调参数）
4.已有的基于神经网络的车型识别研究仍然没有很好地解决粗粒度车型识别中多视角因素的挑战，要确保特征提取自同一个部位,所以限定了机动车图像拍摄的视角。（创建粗粒度的多视角车型识别数据集MWTR，设计反馈增强的多分支卷积神经网络FM-CNN，设计反馈增强的多分支卷积神经网络FM-CNN）
论文写作大纲
1.创建粗粒度的多视角车型识别(Multi-View Vehicle Type Recognition,MVVTR)数据集。已有的粗粒度车型识别数据集都是为基于特征提取或几何估计的方法服务的。这些方法都只考虑了有限视角下的情况,因而无法在这些数据集上研究拍摄视角对车型识别的影响,只能创建新的车型数据集。
2.设计反馈增强的多分支卷积神经网络(Feedback-enhanced Multi-branch Convolutional Neural Network, FM-CNN)。针对车型识别问题训练或微调的神经网络,性能很差,神经网络无法学到有用的特征。考虑到诸如SIFT和HOG等传统图像描述子中将多尺度特征整合的方法,打算对已有神经网络做出改进,将卷积部分扩展成多个分支,分别接受不同尺度的输人。
3.微调FM-CNN的高层卷积层,避免过拟合从训练或微调已有神经网络的结果推断,用小数据集训练或微调FM-CNN里的所有参数会造成过拟合。考虑到卷积神经网络里面不同卷积层学习到的特征跟人脑视觉神经元响应的特征具有相似的语义层次性,假设神经网络浅层卷积层学习到的低语义特征对于不同的任务具有普适性,而高层卷积层学习到的高语义特征才具有任务特异性。所以,让FM-CNN复用已有神经网络的权重作为初始化,只微调高层卷积层和全连接层的权重,减少需要更新的参数量,降低过拟合的风险。
预期取得成果
https://www.lanzous.com/i1rxdji