監(jiān)控系統(tǒng)安裝公司表示網(wǎng)絡(luò)訓(xùn)練首先要數(shù)據(jù)集建立

       卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程雖然不需要手工選取特征，可以實(shí)現(xiàn)對(duì)圖像特征的自動(dòng)化學(xué)習(xí)，但是這種學(xué)習(xí)需要以大量的學(xué)習(xí)資料作為基礎(chǔ)，即數(shù)據(jù)集。然而目前物體識(shí)別領(lǐng)域已有的經(jīng)典數(shù)據(jù)集，如imagenet和voc，數(shù)量龐大，物體種類繁多，對(duì)本文的研究并不具有針對(duì)性。因此為了針對(duì)性地提升識(shí)別效果，我們需要建立基于卡口圖像的車型數(shù)據(jù)庫。

       參照標(biāo)準(zhǔn)圖像分類數(shù)據(jù)集，安防監(jiān)控公司對(duì)數(shù)據(jù)集進(jìn)行車輛區(qū)域和車輛類型的標(biāo)注，其中，車輛區(qū)域用一個(gè)矩形框標(biāo)定，包括左上角頂點(diǎn)的橫縱坐標(biāo)以及右下角頂點(diǎn)的橫縱坐標(biāo)；車輛類型分為小轎車和大客車兩大類， 一個(gè)圖像的標(biāo)注結(jié)果。

       本文原始數(shù)據(jù)集中共標(biāo)定了2800張圖像，其中2000張小轎車，800張大客車。本文選取1900張小轎車，700張大客車作為訓(xùn)練集，余下100張小轎車，100張大貨車作為驗(yàn)證集。由于兩類訓(xùn)練數(shù)據(jù)并不均衡，且訓(xùn)練集數(shù)據(jù)對(duì)于卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是遠(yuǎn)遠(yuǎn)不足的，因此在原有已標(biāo)定數(shù)據(jù)集的基礎(chǔ)上，我們又進(jìn)行了數(shù)據(jù)的增廣具體的數(shù)據(jù)增廣

方式如下：
       對(duì)圖像進(jìn)行上下左右的鏡像翻轉(zhuǎn)，候選框坐標(biāo)做相應(yīng)更改；
       將圖像進(jìn)行90。、180。、270。的選擇，候選框坐標(biāo)做相應(yīng)更改    對(duì)圖像添加小強(qiáng)度的高斯噪聲，候選框坐標(biāo)無需更改；
       住原圖上隨機(jī)裁剪圖像，保留包含完整候選框的圖像，并相應(yīng)更改候選框坐標(biāo)。
       經(jīng)過這樣的數(shù)據(jù)增廣處理，數(shù)據(jù)集可以擴(kuò)大10倍，可以滿足卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練需求。

       網(wǎng)絡(luò)訓(xùn)練過程
       卷積神經(jīng)網(wǎng)絡(luò)在本質(zhì)上是一種輸入到輸出的映射。用大量的已知輸入以及對(duì)應(yīng)輸出，對(duì)卷積網(wǎng)絡(luò)加以訓(xùn)練，網(wǎng)絡(luò)就可以學(xué)習(xí)到這種映射關(guān)系。和標(biāo)準(zhǔn)A1exNet相同，本文也采取隨機(jī)梯度下降法訓(xùn)練。每一層的權(quán)重用均值為0，標(biāo)準(zhǔn)差為O．01的高斯分布進(jìn)行初始化。