The invention provides a fine-grained model recognition method based on the convolution neural network, which includes steps: step S101, input the model image and divide it into training samples and test samples; step S102, according to the category labels of the input images, the design is based on the fine category and the other category code for training; step S10 3, design the coiling layer, pool layer and all connected layer to extract the characteristics of the vehicle; step S104, design classification functions, classify the models according to the features extracted; step S105, design the cost function, calculate the cost function by the predicted sample code and the real sample code, and use the logarithmic likelihood estimation to calculate the cost function; step S106 The gradient descent method is used to update the weight and offset of the network. Step S107, based on the trained network structure, the vehicle recognition method based on the convolution neural network is realized. By adopting the method of the invention, the recognition of fine-grained vehicle type based on convolution neural network is realized, and the accuracy of recognition is improved.
【技术实现步骤摘要】
一种基于卷积神经网络的细粒度车型识别方法
本专利技术涉及一种卷积神经网络
,特别是涉及一种基于卷积神经网络的细粒度的车型识别方法。
技术介绍
神经网络是一种基于机器学习方法。该网络由大量的节点(或称神经元)组成,每个神经元是一个多输入单输出的计算单元,神经元将各个输入值乘上相应权重并进行相加,再加上一个偏移量,然后使用激活函数得到非线性输出。神经网络由输入层、隐藏层和输出层组成,其中每一层都由单个或多个神经元组成,上一层的输出作为下一层的输入。卷积神经网络(CNN)是神经网络的一种,它能够提取输入的不同特征并进行分类。CNN的隐藏层由卷积层、池化层和全连接层组成。卷积神经网络的输入层接受输入向量,隐藏层负责传输、分析、权衡各个向量,输出层完成结果的输出。其中,卷积层通过卷积操作提取输入的不同特征,浅层的卷积层提取诸如边缘、线条的低级特征,深层的卷积层提取高级特征;池化层接在卷积层之后,对局部接受域进行池化操作以获取具有空间不变性的特征;全连接层一般位于多个卷积层和池化层之后,整合卷积层或池化层中具有类别区分性的局部信息。卷积神经网络在图像分类上取得了良好的成果,但目前的分类比较粗,在大类下细分的子类间分类识别率较低。目前基于卷积神经网络的图像识别项目中,没有一种这样的识别方式,即根据车型标签,建立具有层次结构的标签属性,并用于训练和分类。目前的情况下,如果车型种类多且比较细时,面临车型识别的准确率比较低的问题。
技术实现思路
有鉴于此,本专利技术设计了一种基于卷积神经网络的细粒度车型识别方法,包括如下步骤:步骤S101,输入车型图像并划分为训练样本与测试 ...
【技术保护点】
1.一种基于卷积神经网络的细粒度车型识别方法,其特征在于包括如下步骤:步骤S101,输入车型图像并划分为训练样本与测试样本;步骤S102,根据输入图像的类别标签,设计基于细类别和粗类别的类别编码,用于训练;步骤S103,设计卷积层、池化层、全连接层,对车型特征进行提取;步骤S104,设计分类函数,根据提取的车型特征进行分类;步骤S105,设计代价函数,根据预测的样本编码和真实的样本编码,使用对数似然估计计算代价函数;步骤S106,根据代价函数,使用梯度下降法对网络的权值和偏移量进行更新;步骤S107,根据训练得到的网络结构,实现基于卷积神经网络的车型识别方法。
【技术特征摘要】
1.一种基于卷积神经网络的细粒度车型识别方法,其特征在于包括如下步骤:步骤S101,输入车型图像并划分为训练样本与测试样本;步骤S102,根据输入图像的类别标签,设计基于细类别和粗类别的类别编码,用于训练;步骤S103,设计卷积层、池化层、全连接层,对车型特征进行提取;步骤S104,设计分类函数,根据提取的车型特征进行分类;步骤S105,设计代价函数,根据预测的样本编码和真实的样本编码,使用对数似然估计计算代价函数;步骤S106,根据代价函数,使用梯度下降法对网络的权值和偏移量进行更新;步骤S107,根据训练得到的网络结构,实现基于卷积神经网络的车型识别方法。2.根据权利要求1所述的一种基于卷积神经网络的细粒度车型识别方法,其特征在于所述步骤S102中设计类别编码的具体方法为:对于每个细类别标签(即原始标签),找到其所属的粗类别标签,包括车牌、车形和年份,根据细类别标签生成一个one-hot编码y,根据三个粗类别标签,分别生成三个one-hot编码y1、y2、y3,将四个编码连接到一起,生成类别编码。3.根据权利要求1所述的一种基于卷积神经网络的细粒度车型识别方法,其特征在于所述步骤S103中设计卷积层的具体方法为:设计使用五层卷积层,在卷积神经网络的第一层使用11x11的过滤器,过滤器个数为96个,在网络的第二层使用5x5的过滤器,过滤器个数为256个,从网络的第三层到第五层...
【专利技术属性】
技术研发人员:周锋,左雨婷,李小勇,黄智濒,
申请(专利权)人:北京邮电大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。