基于卷积神经网络的车型识别方法研究

针对高速公路环境下的车型识别问题,利用深度学习Caffe框架中的Alex Net和传统方法支持向量机(SVM),分别对车辆图像进行网络训练与测试,得到两种车型识别方法的准确率并进行比较验证。实验结果表明:卷积神经网络的分类方法具有较高的车型识别精度,车型识别准确率高。

有监督Kohonen网络的车型识别方法

车型识别已成为智能交通系统研究中的一个重要内容。根据同类车型尺寸特征如长、宽、高特征值都具有相似性特点,利用已有车型数据库,分别使用逆传播(BP)神经网络、支持向量机(SVM)网络、有监督Kohonen网络这三种神经网络分类方法对车型尺寸特征进行分类,得到三个车型识别准确率并进行比较验证。实验结果表明:有监督Kohonen网络的分类方法具有较高的车型识别精度,实验效果明显,车型识别准确率高。

基于深度卷积神经网络的车标分类

基于深度学习框架Caffe和具有强大计算能力的GPU,运用深度神经网络AlexNet和GoogleNet,对具有不同背景的汽车图像进行网络训练,以达到车辆自动识别的目的。分别对4类车标进行网络训练与测试,实验结果表明,在图像识别分类方面,与传统识别方法相比,深度卷积神经网络更具优势。

面向动态场景去模糊的对偶学习生成对抗网络

针对动态场景下的图像去模糊问题,提出一种对偶学习生成对抗网络(dual learning generative adversarial network,DLGAN),该网络可以在对偶学习的训练模式下使用非成对的模糊图像和清晰图像进行图像去模糊计算,不再要求训练图像集合必须由模糊图像与其对应的清晰图像成对组合而成.DLGAN利用去模糊任务与重模糊任务之间的对偶性建立反馈信号,并使用这个信号约束去模糊任务和重模糊任务从两个不同的方向互相学习和更新,直到收敛.实验结果表明,在结构相似度和可视化评估方面,DLGAN与9种使用成对数据集训练的图像去模糊方法相比具有更好的性能.

中国成衣业中的外来工：适应性与机会

对中国成衣生产环境与外来工在其中所扮演的角色提出疑问。这里的外来工并不是指外国劳工,而是从中国境内穷乡僻壤来到经济比较发达地区的外来工。不过两者之间仍存有某些相同的特质,例如,他们都渴望在社会上出人头地,同时也是各种歧视行为的受害者。本研究假设是:就算在中国从事成衣业的外来工和在其他国家的一样,同样在艰难的工作环境里赚取微薄的工资,但他们并不只是雇用制度下逆来顺受的受害者。取材于在浙江省义乌市努力拼搏的三个兄弟姐妹的人生轨迹和故事,他们的职业生涯与由中小型家族企业构成的成衣业行业特点密切相关。