一种有效基于卷积神经网络车辆检索算法,本文是一篇关于卷积论文范文，可作为相关选题参考,和写作参考文献。
卷积论文参考文献：
摘 要：车辆检索是基于图像的相似搜索的子任务,在电子商务和智能安防领域有着重要的实际应用价值.文章提出了一种有效的基于卷积神经网络车辆检索的算法.利用YOLOV2检测算法提取图片中的车辆位置减少背景对车辆检索造成的影响.提出了改变训练集中车辆的颜色进行数据增强,缓解训练数据集较少的问题.基于微调的ResNet50网络提取车辆的特征用来进行相似匹配.在香港大学车辆数据集上的实验结果表明文中提出的算法取得了不错的检索效果.
关键词：车辆检索；以图搜图；卷积神经网络；深度学习；电子商务
中图分类号：TP311.5 文献标志码：A 文章编号：2095-2945（2018）13-0006-04
Abstract： Vehicle retrieval is a sub-task of similar search based on image, which has important practical application value in the field of e-business and intelligent security. This paper presents an effective vehicle retrieval algorithm based on convolution neural network. YOLOV2 detection algorithm is used to extract the vehicle position in the image to reduce the impact of background on the vehicle retrieval. The problem of changing the color of vehicle in training concentration to enhance the data is put forward to alleviate the problem of less training data set. The ResNet50 network based on fine tuning is used to extract vehicle features for similar matching. The experimental results on the vehicle data set of the University of Hong Kong show that the proposed algorithm has achieved good retrieval results.
Keywords： vehicle retrieval； graph searching via graph； convolutional neural network； deep learning； e-business
引言
隨着国家经济的发展和家庭总收入的不断增加,汽车作为一种舒适的交通工具已经成为了一个必备的消费需求.另外随着互联网技术的进步,电子商务取得了长足的发展.汽车电商平台的出现为消费者购买汽车提供了一个方便的渠道.现有的大部分汽车电商平台只提供根据关键字进行指定车款信息的检索,这样就造成了一个潜在的问题,当平台用户不知道车的具体品牌或者车款时,就很难根据关键字在平台上找到想要购买的车辆信息.本文讨论基于图片的同款车检索算法解决车辆商品检索问题,对电商平台的发展具有重要的发展意义.
图像检索是计算机视觉的一个研究领域,通过匹配两幅图像特征间的相似度进行相似检索.传统的图像检索方法大部分基于类似于SIFT[1]的局部描述子和BOW[2]算法来构建图像的特征来进行相似检索,该种架构已经在一些特定的领域取得了非常好的应用.但是由于局部特征的表征能力有限,该种算法并不能用来检索同款车辆.
深度学习算法以其强大的特征表示能力,在计算机视觉的很多领域都取得了很好的应用,例如目标检测、语音识别、人脸识别、字符识别等.近年来也有很多基于深度学习相似图像检索的研究,并且在某些任务上也取得了不俗成绩.本文采用深度学习算法来处理相似车款检索的问题.值得一提的是,虽然基于深度学习的图像相似检索方面的研究很多,但是在基于图片的同款车检索这个问题上的研究却相对较少.一方面是由于该问题并没有受到大部分人的重视,另一方面是大规模数据集的缺少.针对这些问题,本文的贡献点可以归结为两点：
（1）提出了一种验证有效的基于深度学习的同款车检索算法.
（2）提出了一种新的基于车辆颜色转变的数据增强的方法.
1 车辆检索算法
本文提出的算法架构可以归纳为前期、中期和后期三个不同的阶段.前期阶段包括基于YOLOV2的车辆检测网络和基于ResNet50[4]的车款识别网络的训练.中期阶段主要是对检索库中的图片进行特征提取.后期阶段是根据输入图片的特征进行检索库中的特征匹配.
1.1 网络训练
图1中给出了检测算法的网络结构.图中I表示输入图片,Label（x,y,w,h,class）表示图片中矩形框的位置和矩形框中目标的类别,其中x,y是矩形中心点,w,h是矩形框的宽和高.class表示目标的类别,由于本文只是检测车辆因此只有一个类别class等于0.另外在训练时候为了能够方便收敛,x,y,w,h都相对于原始图片做了归一化处理.Loss用来表示训练过程中的计算得到的loss值.YOLOV2算法loss的计算主要包括三个部分,框的位置,是否包含目标,目标所属的类别.由于在车辆检测任务中目标类别的个数为1.因此本文修改了loss的计算方式.公式（1）中给出了loss计算的数学表达式：
1表示矩形框的loss占的权重,本文设置为5.?姿2表示包含目标的置信度的权重,本文设置为1,?姿3表示不包含目标的置信度的权重,本文设置为0.5.另外只有在区域包含目标的时候才会计算矩形框的loss值.
结论：关于卷积方面的的相关大学硕士和相关本科毕业论文以及相关卷积的物理意义论文开题报告范文和职称论文写作参考文献资料下载。
一种利用神经网络改善判断矩阵一致性方法
摘要：针对层次分析法中判断矩阵致性改进问题，提出了一种利用神经网络改善判断矩阵一致性的方法。本文在建立了BP神经网络模型的基础上，把判断矩阵一致。
基于MATLAB动态神经网络进行时间序列预测房地产价格
摘 要：文章以MATLAB动态神经网络为前提，采用时间序列预测方法进行房地产价格预测。采用全国平均房地产价格为基础样本，利用训练样本和基础样本。
基于改进RBF神经网络矿井瓦斯涌出量预测
摘 要：介绍了瓦斯涌出量对矿井安全的影响及一种改进的RBF算法——IRBF算法，借助Matlab软件利用BP算法、传统RBF算法及IRBF算法对。
基于AHP和BP神经网络制造企业产品绿色评价
因为近期“十三五”五大发展之一“绿色发展”的提出以及我国长期可持续发展的需要，制造业越来越重视产品及其生产的绿色低碳可持续化，采用科学的评价方法。