典型文献
基于SqueezeNet和YOLOv2的交通违法证据评价
文献摘要：
针对交通监控反向抓拍交通违法图像预判率高的问题,提出了一种基于迁移学习的多尺度交通违法证据评价方法.构建了以SqueezeNet为特征提取层、YOLOv2为目标检测层融合高分辨率细粒度特征的检测网络.通过卷积神经网络算法训练该模型学习抓拍车辆图像特征,识别图像中唯一交通违法车辆,再次训练识别驾驶员所在中心区域.在保证特征识别提取能力不变的条件下,采用迁移学习的方式重新训练SqueezeNet,对驾驶员中心区域图像进行好坏二分类,将成像清晰的交通违法图像提交给人工审核.实验结果表明此方法将违法车辆检测准确率提升到99.3％,驾驶员所在关键区域检测准确率提升到96.3％,图像质量评价准确率提升到92.6％,大幅降低了人工审核工作量.
文献关键词：
交通违法;图像识别;检测卷积网络;图像质量;迁移学习
中图分类号：
作者姓名：
刘洪龙;李向阳;徐正华;卢朝晖
作者机构：
南华大学 资源环境与安全工程学院,湖南 衡阳421001;浙江力嘉电子科技有限公司,浙江 绍兴311800
文献出处：
引用格式：
[1]刘洪龙;李向阳;徐正华;卢朝晖-.基于SqueezeNet和YOLOv2的交通违法证据评价)[J].南华大学学报（自然科学版）,2022(01):80-87
A类：
检测卷积网络
B类：
SqueezeNet,YOLOv2,交通违法,证据评价,交通监控,抓拍,迁移学习,目标检测,检测层,细粒度特征,测网,神经网络算法,算法训练,模型学习,图像特征,识别图,驾驶员,中心区,特征识别,识别提取,新训,好坏,二分类,提交,交给,车辆检测,检测准确率,准确率提升,关键区域检测,图像质量评价,审核工作,图像识别
AB值：
0.346485
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
