Resumen

Los algoritmos de reconocimiento de tipo de vehículo son ampliamente utilizados en el transporte inteligente, pero la precisión de los algoritmos no puede cumplir con los requisitos de la aplicación de producción. Para la alta eficiencia de la capa perceptiva multicapa de Network in Network (NIN), se pueden extraer las características no lineales de las imágenes del campo receptivo local. El agrupamiento promedio global (GAP) puede evitar que la red se sobreajuste, y un pequeño núcleo de convolución puede disminuir la dimensionalidad del mapa de características, así como reducir el número de parámetros de entrenamiento del modelo. Sobre esa base, se adopta el error residual para construir un nuevo modelo NIN alterando el tamaño y la disposición del núcleo de convolución original de NIN. La viabilidad del algoritmo se verifica en base al conjunto de datos de Stanford Cars. Al configurar adecuadamente los pesos y tasas de aprendizaje, la precisión del modelo NIN para el reconocimiento del tipo de vehículo alcanza el 97.2%.

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Tipo de vehículo; Algoritmos; Modelo NIN; Núcleo de convolución; Precisión; Conjunto de datos
• Keywords:Vehicle type; Algorithms; NIN model; Convolution kernel; Accuracy; Dataset