基于GoogLeNet Inception V3的迁移学习研究

随着人工智能的再度崛起,使用深度学习模型进行图像分类的方法得到了广泛关注。针对典型深度卷积神经网络模型是在大型数据库和大算力的基础上进行训练得到的,但普通机器学习工作者很难拿到如此规模的数据集和算力现象,本文在GoogLeNet Inception V3深度学习模型的基础上,对GoogLeNet的特征提取模块进行迁移学习来训练特定的模型进行图像分类。实验结果表明,在硬件和数据集相对不足的条件下,采用迁移学习的策略可以高效地实现目标检测。

迁移学习场景下的实时停车位置检测

针对停车位置检测的问题,采用基于霍夫变换检测停车线,分割每个停车区域的图像预处理,使用VGG目标检测模型对每个停车区域进行迁移学习,判别相融合的空闲车位检测方法,对露天停车场高空定点摄像头传回的视频进行空闲车位识别与位置标注方面的研究。研究发现:VGG目标检测模型采用卷积神经网络减轻人工提取特征的工作量,与目标检测和识别中的经典机器学习方法相比,有较高的目标检测效率和准确度,为定点停车位的检测提供了一种实时位置反馈的解决方案。