2022-05-08 基于卷积神经网络ResNet的车型识别（实验）

人工智能应用——基于卷积神经网络ResNet的车型识别

一、实验目的

1. 熟悉ResNet卷积神经网络
2. 熟悉物体检测+识别的整体流程

二、实验内容与记录

1. 在给定的6类车型图片数据库上，使用ResNet18进行车型分类训练并测试。尝试对比pretrained分别为false和true的情况。（注意内存或者显存小的话，把输入图片大小、批大小减小）
   
   
   在第12次训练中得到最高正确率为0.9259。

三、实验分析和总结

1. ResNet的结构可以极快的加速神经网络的训练，模型的准确率也有比较大的提升。同时ResNet的推广性非常好，甚至可以直接用到InceptionNet网络中。
2. ResNet网络亮点：① 提出residual结构（残差结构）减轻退化问题，并搭建超深的网络结构（突破1000层）；② 使用Batch Normalization加速训练（丢弃dropout），解决梯度消失或梯度爆炸问题。
3. 通过本次实验，熟悉了ResNet卷积神经网络的原理和物体检测+识别的整体流程，掌握了如何使用ResNet网络训练目标物体图片，并进行了车辆类别检测的应用。

四、思考题

1. 简述从一张没有扣好车辆的监控图片中如何进行车型识别？
   答：使用图像增强。（具体步骤可自行搜索）