A CNN Vehicle Recognition Algorithm based on Reinforcement Learning Error and Error-prone Samples

Zhang, Xuze; Niu, Shengsuo; Huang, Teng

doi:10.1088/1755-1315/153/3/032052

Cited by 2 publications

(4 citation statements)

References 3 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Work [13] considered a solution to the task on vehicle recognition by training a convolutional neural network [14], based on the related error of learning and the samples prone to errors. That is, when training a convolutional neural network, it is proposed to use learning mistakes within current stage as a training dataset at the next stage.…”

Section: Literature Review and Problem Statementmentioning

confidence: 99%

Development of the modified methods to train a neural network to solve the task on recognition of road users

Fedorchenko

Oliinyk

Stepanenko

et al. 2019

EEJET

View full text Add to dashboard Cite

Розроблено модифікації простого генетичного алго ритму для розпізнавання образів. У запропонованій модифікації АльфаБета на етапі відбору особин до нової популяції особини ранжуються за показником пристосо ваності, далі випадковим чином визначається кількість пар -певна кількість найпристосованіших особин, та стільки ж найменш пристосованих. Найпристосованіші особини формують підмножину B, найменш пристосова ні -підмножину W. Обидві підмножини входять в мно жину пар V. Число особин, що можуть бути обрані в пари, знаходиться в діапазоні 20-60 % від загальної кількості особин. У модифікації АльфаБета фіксована в порівнян ні з оригінальною версією простого генетичного алгорит му було додано можливість виникнення двох мутацій, додано фіксовану точку схрещення, а також змінено від бір особин для схрещення. Це дозволяє підвищити показ ник точності у порівнянні з базовою версією простого генетичного алгоритму. У модифікації Фіксована вста новлено фіксовану точку схрещення. В схрещенні при ймає участь половина генів -гени що відповідають за кількість нейронів на шарах, значення інших генів завж ди передаються нащадкам від однієї з особин. Також, на етапі мутації випадковим чином відбуваються мутації з використанням методу МонтеКарло. Розроблені методи програмно реалізовано для вирі шення задачі розпізнавання учасників дорожнього руху (автомобілів, велосипедів, пішоходів, мотоциклів, ван тажівок). Також було проведено порівняння показників використання модифікацій простого генетичного алго ритму та визначено кращий підхід вирішення задачі роз пізнавання учасників дорожнього руху. Було встанов лено, що розроблена модифікація АльфаБета показала кращі результати у порівнянні з іншими модифікація ми при вирішенні задачі розпізнавання учасників дорож нього руху. При застосуванні розроблених модифікацій отримано наступні показники точності: АльфаБета-96,90 %, АльфаБета фіксована -95,89 %, фіксована -85,48 %. Крім того, при застосуванні розроблених моди фікацій скорочується час підбору параметрів нейромо делі, зокрема при використанні модифікації АльфаБета витрачається лише 73,9 % часу базового методу, при використанні модифікації Фіксована -91,1 % часу базо вого генетичного методу Ключові слова: розпізнавання образів, генетичний алго ритм, еволюційний алгоритм, нейронні мережі, Python, OpenCV, Keras UDC 004.93

show abstract

Section: Literature Review and Problem Statementmentioning

confidence: 99%

Development of the modified methods to train a neural network to solve the task on recognition of road users

Fedorchenko

Oliinyk

Stepanenko

et al. 2019

EEJET

View full text Add to dashboard Cite

show abstract

“…(CNN), the subset for deep learning models is effective recognition techniques that have been created recently. While local area sensing, the weight sharing, with the subsampling, convolutional neural networks [1].…”

Section: Introductionmentioning

confidence: 99%

“…SoftMax, Support Vector Machine (SVM), and other methods are frequently employed. [1] Figure 1. Convolution neural network CNN structure A machine learning method called Convolutional Neural Network (CNN) is modelled after the human brain.…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

The study of deep learning for automotive logo recognition and classification

Saeed,

Mohammed,

Khaleel

et al. 2023

PEN

View full text Add to dashboard Cite

Most vehicle manufacturer recognition (VMR) techniques are established in vehicle logo recognition because a vehicle's logo is the most obvious sign from the vehicle's manufacturer. However, due to the difficulty in accurately segmenting a vehicle logo on the picture with demand in resilience against many imaging scenarios, logo recognition can still be challenging. After subjective overview about this scope, a convolutional neural network (CNN) method for VMR is investigated in this research, which does away with the need for exact logo detection and segmentation. A powerful pertaining approach has also been developed to improve real-world applications to lower the high computational cost for kernel training on CNN-based systems. The contribution of this paper is to study the multiclass logo employing random forest ensemble learning and convolution mapping in nonlinear space. To boost accuracy by roughly 35%, 800 images from 15 types of car classes were investigated in the paper.

show abstract

A CNN Vehicle Recognition Algorithm based on Reinforcement Learning Error and Error-prone Samples

Cited by 2 publications

References 3 publications

Development of the modified methods to train a neural network to solve the task on recognition of road users

Development of the modified methods to train a neural network to solve the task on recognition of road users

The study of deep learning for automotive logo recognition and classification

Contact Info

Product

Resources

About