監(jiān)控系統(tǒng)安裝公司表示網(wǎng)絡訓練首先要數(shù)據(jù)集建立

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

       參照標準圖像分類數(shù)據(jù)集，安防監(jiān)控公司對數(shù)據(jù)集進行車輛區(qū)域和車輛類型的標注，其中，車輛區(qū)域用一個矩形框標定，包括左上角頂點的橫縱坐標以及右下角頂點的橫縱坐標；車輛類型分為小轎車和大客車兩大類， 一個圖像的標注結(jié)果。

       本文原始數(shù)據(jù)集中共標定了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張大客車作為訓練集，余下100張小轎車，100張大貨車作為驗證集。由于兩類訓練數(shù)據(jù)并不均衡，且訓練集數(shù)據(jù)對于卷積神經(jīng)網(wǎng)絡的訓練是遠遠不足的，因此在原有已標定數(shù)據(jù)集的基礎上，我們又進行了數(shù)據(jù)的增廣具體的數(shù)據(jù)增廣

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

       網(wǎng)絡訓練過程
       卷積神經(jīng)網(wǎng)絡在本質(zhì)上是一種輸入到輸出的映射。用大量的已知輸入以及對應輸出，對卷積網(wǎng)絡加以訓練，網(wǎng)絡就可以學習到這種映射關系。和標準A1exNet相同，本文也采取隨機梯度下降法訓練。每一層的權重用均值為0，標準差為O．01的高斯分布進行初始化。