基于深度迁移学习的车辆信息识别方法

针对在深度卷积神经网络中存在对样本数据需求量大和过拟合的问题,提出一种基于深度网络迁移学习的车辆信息识别方法。该方法通过在ImageNet数据集上预训练的深度网络VGG-19进行同构空间下的特征迁移;结合改进的模型损失函数Softmax搭建网络全连接层,并冻结中低层卷积层、利用不同学习率来微调高层卷积层和全连接层参数。然后利用车辆数据集进行实验验证,结果表明该方法能在训练精度与测试精度上有较高的准确识别率,其中测试准确识别率达到97.73%;同时解决了样本数据不足带来的模型过拟合的问题,具有良好的鲁棒性。