基于预训练深度卷积网络的冬季道路路面状况识别
图像与视频处理
2018-12-19 v1 计算机视觉与模式识别
摘要
本文研究了应用最新机器学习技术深度神经网络，基于智能手机图像对道路路面状况（RSC）进行分类。传统机器学习技术如支持向量机（SVM）与随机森林（RF）已在文献中尝试；然而，由于阳光眩光与残留盐分所致图像噪声带来的挑战，其分类性能不尽如人意。我们提出并评估了一种基于卷积神经网络（CNN）的深度学习模型，以应对这些挑战并提升分类精度。在所提方法中，我们引入应用已有 CNN 模型的思路，该模型已使用数百万图像进行预训练并具备公认的高识别精度。我们通过添加两个额外的全连接神经元层来扩展该模型，以学习 RSC 图像的特定特征。随后使用小规模 RSC 图像集以低学习率对整个模型进行微调训练。结果表明，与传统机器学习技术相比，所提模型具有最高的分类性能。我们还分析了不同训练数据集规模下的测试精度，显示出在更大数据集下实现更高精度的潜力。
引用
@article{arxiv.1812.06858,
title = {Winter Road Surface Condition Recognition Using A Pretrained Deep Convolutional Network},
author = {Guangyuan Pan and Liping Fu and Ruifan Yu and Matthew Muresan},
journal= {arXiv preprint arXiv:1812.06858},
year = {2018}
}