基于普适性和特适性融合的交通检测方法研究

针对目前交通检测在特殊交通工具类型的场景适应性较差、车辆漏检和误检频发等问题,提出了1种基于普适性和特适性需求相融合的交通检测方法.该方法通过设计同时汲取普适性场景特征与特适性交通工具特征的数据集,利用迁移学习的思路,冻结YOLOv5模型的主干网络,并使用DIoU-NMS算法代替经典的NMS算法,以减少漏检的情况,实现对特定交通场景的快速精准检测.实验结果表明,改进的交通检测模型算法与目前常见的几种模型算法相比,均值平均精确率(mAP)分别提高了8.9%、10.9%、5.0%,且在不同的场景下依然具有良好的鲁棒性.

基于深度迁移学习的垃圾分类研究

针对垃圾分类人工检测环境差,易出错,难度大,效率低的问题,提出一种利用深度迁移学习对生活垃圾分类的方法。首先,构建垃圾分类的图像数据集,同时数据增强,其次,搭建深度卷积神经网络ResNeXt和MobileNetV2,微调网络迁移参数以适应垃圾分类任务,最后,在基于深度迁移学习的卷积神经网络下,探索了网络冻结层数和学习率对不同量级的网络结构造成的影响。结果表明,ResNeXt受到学习率的影响更强,MobileNetV2受到网络冻结层数的影响更多,两者的最佳网络冻结层分别是50层和80层,最佳学习率分别是0.0003和0.0001,有效提升模型准确率,实现了对多种常见垃圾的有效分类。

基于模型迁移的遥感影像场景分类方法对比研究

随着深度学习的发展,卷积神经网络在图像领域的应用优势越来越显著。为了解迁移学习中不同模型迁移方法的迁移特性,更好地利用深度学习方法完成遥感影像场景分类任务,对比分析了Pytorch深度学习框架下微调网络和冻结网络参数,以及在不同深度残差网络(ResNet)上模型迁移训练的特征,并在UC Merced Land-Use、RSSCN7和NWPU-RESISC45数据集中对这2种方法进行测试。测试结果表明,参数迁移的方法能够很好地完成遥感影像场景分类任务。其中微调网络方法参数迁移训练的模型鲁棒性、泛化能力更好,但需要耗费更多计算资源与训练时间;冻结网络参数方法训练的模型参数较少,能够更快地完成网络训练,但训练模型的泛化能力不如微调网络方法。当深度学习框架提供的预训练模型不能满足实际应用时,可以选择与目标任务相关性更高的源域训练的模型进行参数迁移,来满足实际的应用需求。本实验结果能为基于迁移学习的遥感影像场景分类在方法、模型、数据集等方面的选择上提供参考。