《表2 不同优化方式的分类准确率对比》
本文提出的基于Alex Net改进后的网络模型,将网络输出定为6个通道,batch_size大小为300,learning_rate设为0.001,采用Adam优化器方法训练数据。为验证本文所提优化方法的有效性,将改进后的模型与传统特征提取方法做对比,实验结果见表2,采用基于Selective Search或Edge Boxes可能性目标区域检测方法,然后进行Hog或Sift特征提取,最后采用SVM或Soft max分类器方法或引入KNN方法识别车辆类型的网络框架在识别精度方面远低于基于Alex Net模型的深度学习方法,传统方法存在明显劣势。深度模型方法克服了传统单一特征提取车辆识别方法特征表达不足的缺陷,以一种逐层自主学习策略不断学习车辆的高层抽象特征,识别效果更佳。
图表编号 | XD00111174500 严禁用于非法目的 |
---|---|
绘制时间 | 2019.11.16 |
作者 | 陈立潮、卜楠、潘理虎、曹建芳、张英俊 |
绘制单位 | 太原科技大学计算机科学与技术学院、太原科技大学计算机科学与技术学院、太原科技大学计算机科学与技术学院、中国科学院地理科学与资源研究所、忻州师范学院计算机科学与技术系、太原科技大学计算机科学与技术学院 |
更多格式 | 高清、无水印(增值服务) |