东南大学学报（自然科学版）
東南大學學報（自然科學版）
동남대학학보（자연과학판）
JOURNAL OF SOUTHEAST UNIVERSITY
2015年
2期
275-280
,共6页
车辆识别%迁移学习%样本自标注%概率神经网络%先进驾驶辅助系统
車輛識彆%遷移學習%樣本自標註%概率神經網絡%先進駕駛輔助繫統
차량식별%천이학습%양본자표주%개솔신경망락%선진가사보조계통
vehicle recognition%transfer learning%sample self-marking%probability neural network%advanced driver assistant system
针对采用大样本离线训练的车辆识别分类器在新场景中性能显著下降的问题,提出了一种具有样本自标注能力的车辆识别迁移学习算法,并采用概率神经网络(probability neural network,PNN)进行分类器训练.首先,提出一种基于多细节先验信息的样本标注策略,融合复杂度、垂直平面和相对速度等先验信息实现新样本的自动标注;然后,充分利用PNN训练速度快以及增加新样本时只需分类器进行局部更新的特点,将其引入到分类器训练模型中,取代传统机器学习算法中的Adaboost分类器.实验结果表明:该算法在新场景下的新样本标注准确率高达99.76％.通过迁移学习,新场景的车辆识别分类器性能较通用分类器在检测率和误检率指标上均有显著提升.
針對採用大樣本離線訓練的車輛識彆分類器在新場景中性能顯著下降的問題,提齣瞭一種具有樣本自標註能力的車輛識彆遷移學習算法,併採用概率神經網絡(probability neural network,PNN)進行分類器訓練.首先,提齣一種基于多細節先驗信息的樣本標註策略,融閤複雜度、垂直平麵和相對速度等先驗信息實現新樣本的自動標註;然後,充分利用PNN訓練速度快以及增加新樣本時隻需分類器進行跼部更新的特點,將其引入到分類器訓練模型中,取代傳統機器學習算法中的Adaboost分類器.實驗結果錶明:該算法在新場景下的新樣本標註準確率高達99.76％.通過遷移學習,新場景的車輛識彆分類器性能較通用分類器在檢測率和誤檢率指標上均有顯著提升.
침대채용대양본리선훈련적차량식별분류기재신장경중성능현저하강적문제,제출료일충구유양본자표주능력적차량식별천이학습산법,병채용개솔신경망락(probability neural network,PNN)진행분류기훈련.수선,제출일충기우다세절선험신식적양본표주책략,융합복잡도、수직평면화상대속도등선험신식실현신양본적자동표주;연후,충분이용PNN훈련속도쾌이급증가신양본시지수분류기진행국부경신적특점,장기인입도분류기훈련모형중,취대전통궤기학습산법중적Adaboost분류기.실험결과표명:해산법재신장경하적신양본표주준학솔고체99.76％.통과천이학습,신장경적차량식별분류기성능교통용분류기재검측솔화오검솔지표상균유현저제승.
