当前位置：首页 > news >正文

基于Googlenet深度学习网络的交通工具种类识别matlab仿真

news 2025/8/6 12:44:06

1.算法运行效果图预览

2.算法运行软件版本

3.部分核心程序

4.算法理论概述

5.算法完整程序工程

1.算法运行效果图预览

2.算法运行软件版本

matlab2022a

3.部分核心程序

....................................................................................% 获取网络层名称和类别数
Feature_Learner   = net.Layers(142).Name;
Output_Classifier = net.Layers(144).Name;Number_of_Classes = numel(categories(Training_Dataset.Labels));
% 创建新的特征学习器层和分类器层
New_Feature_Learner = fullyConnectedLayer(Number_of_Classes, ...'Name', 'Coal Feature Learner', ...'WeightLearnRateFactor', 10, ...'BiasLearnRateFactor', 10);New_Classifier_Layer = classificationLayer('Name', 'Coal Classifier');
% 替换原网络中的特征学习器层和分类器层
Network_Architecture = layerGraph(net);New_Network = replaceLayer(Network_Architecture, Feature_Learner, New_Feature_Learner);
New_Network = replaceLayer(New_Network, Output_Classifier, New_Classifier_Layer);analyzeNetwork(New_Network)% 训练设置参数
maxEpochs = 20;
Minibatch_Size = 8;
Validation_Frequency = floor(numel(Resized_Training_Dataset.Files)/Minibatch_Size);
Training_Options = trainingOptions('sgdm', ...'MiniBatchSize', Minibatch_Size, ...'MaxEpochs', maxEpochs, ...'InitialLearnRate', 1e-3, ...'Shuffle', 'every-epoch', ...'ValidationData', Resized_Validation_Dataset, ...'ValidationFrequency', Validation_Frequency, ...'Verbose', false, ...'Plots', 'training-progress');
% 在调整后的数据集上训练网络
net = trainNetwork(Resized_Training_Dataset, New_Network, Training_Options);
% 保存训练后的网络模型
save gnet.mat   
50

4.算法理论概述

VGG在2014年由牛津大学著名研究组vGG (Visual Geometry Group)提出，斩获该年lmageNet竞赛中Localization Task (定位任务)第一名和 Classification Task (分类任务)第二名。Classification Task (分类任务)的第一名则是GoogleNet 。GoogleNet是Google研发的深度网络结构，之所以叫“GoogLeNet”，是为了向“LeNet”致敬.人员行为动作识别是计算机视觉和深度学习领域的重要应用之一。近年来，深度学习网络在人员行为动作识别中取得了显著的成果。

1. 原理
1.1 深度学习与卷积神经网络（CNN）
深度学习是一种机器学习技术，它通过构建多层神经网络来模拟人脑的神经元之间的连接，实现对数据的学习和特征提取。卷积神经网络（CNN）是深度学习中的一种重要结构，特别适用于图像识别任务。它通过卷积层、池化层和全连接层来逐层提取和学习图像的特征。

1.2 GoogLeNet
GoogLeNet 是一个深度卷积神经网络，由 Google 在 2014 年提出。它通过引入 Inception 模块来解决深层网络中参数过多和计算量大的问题。Inception 模块使用不同大小的卷积核和池化操作并行提取特征，然后将它们拼接在一起，从而获得更丰富的特征表示。

GoogLenet网络亮点
1.引入了Inception结构（融合不同尺度的特征信息)
2.使用1x1的卷积核进行降维以及映射处理
3.添加两个辅助分类器帮助训练
4.丢弃全连接层，使用平均池化层(大大减少模型参数)