基于優化CNN結構的交通標志識別算法
大小：0.85 MB 人氣：1 2017-12-06 需要積分：1
現有算法對交通標志進行識別時，存在訓練時間短但識別率低，或識別率高但訓練時間長的問題。為此，綜合批量歸一化（BN）方法、逐層貪婪預訓練（GLP）方法，以及把分類器換成支持向量機（SVM）這三種方法對卷積神經網絡（CNN）結構進行優化，提出基于優化CNN結構的交通標志識別算法。其中：BN方法可以用來改變中間層的數據分布情況，把卷積層輸出數據歸一化為均值為0、方差為1，從而提高訓練收斂速度，減少訓練時間；GLP方法則是先訓練第一層卷積網絡，訓練完把參數保留，繼續訓練第二層，保留參數，直到把所有卷積層訓練完畢，這樣可以有效提高卷積網絡識別率；SVM分類器只專注于那些分類錯誤的樣本，對已經分類正確的樣本不再處理，從而提高了訓練速度。使用德國交通標志識別數據庫進行訓練和識別，新算法的訓練時間相對于傳統CNN訓練時間減少了20. 67 %，其識別率達到了98. 24%。所提算法通過對傳統CNN結構進行優化，極大地縮短了訓練時間，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
基于優化CNN結構的交通標志識別算法下載
相關電子資料下載
- CNN的定義和優勢 112
- 基于CNN的網絡入侵檢測系統設計 105
- 工廠智能視頻監控系統 CNN 52
- 如何在TensorFlow中構建并訓練CNN模型 60
- 如何利用CNN實現圖像識別 75
- 卷積神經網絡與循環神經網絡的區別 91
- NLP模型中RNN與CNN的選擇 66
- 卷積神經網絡中池化層的作用 67
- cnn卷積神經網絡分類有哪些 106
- cnn卷積神經網絡三大特點是什么 87