《表2 图像处理参数表:基于卷积神经网络的路面识别及半主动悬架控制》
针对CNN,良好的泛化能力比较高的训练准确率更为重要。良好的泛化能力意味着CNN对训练数据以外的数据同样具有准确预测的能力[13]。提高CNN泛化能力的一个有效措施就是对训练数据集进行数据增强,即人为创建假数据并添加至训练集[14]。本文首先收集4种典型的城市以及非城市路面图像,其次对部分路面图像进行图像处理,即调整图像明暗度、将图像沿横向或垂向平移若干像素、对图像进行小角度的翻转和剪切,从而模拟外部自然环境以及采样时车辆振动对图像质量的影响,达到数据增强的目的。原始图像以及进行图像处理的图像如图13所示,图像处理参数如表2所示。
图表编号 | XD00219146900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.08.01 |
作者 | 刘秋、孙晋伟、张华、胡煦、顾亮 |
绘制单位 | 北京理工大学振动与噪声控制研究所、西安航空学院车辆工程学院、内蒙古一机集团宏远电器股份有限公司、北京理工大学振动与噪声控制研究所、北京理工大学振动与噪声控制研究所 |
更多格式 | 高清、无水印(增值服务) |