持续学习算法在车辆目标识别上的应用

摘要：

自动驾驶汽车技术的日新月异,主要得益于深度学习和人工智能的进步.然而深度学习模型大多是在静态同分布数据集上进行训练,无法随着时间而适应或扩展其行为.针对这一问题,论文将持续学习模型运用于车辆目标识别领域进行研究.首先搭建可以使得算法流畅运行的环境,选定目标识别的原始图像数据集;在分析现有评估指标的基础上,选取适合于本次实验的评估指标,并采用卷积神经网络(CNN)、最接近类均值(NCM)、增量分类器与特征表示(iCaRL)三种持续学习算法对原始图像数据集进行学习训练与对比验证,通过实验验证了应用iCaRL算法使机器进行持续学习训练时,其精度和效率均优于其他两种方法.针对智能驾驶目标识别图像数据集不完善这一问题,构建了一个新的图像数据集,包含车辆、行人、交通标志及信号灯,将iCaRL算法应用于新建图像数据集进行研究,并在新建智能驾驶图像数据集上进行了训练与测试.结果表明,采用iCaRL算法能够较好地学习新建图像数据集,不会因为环境的改变而使得其性能发生大幅变化,测试结果良好,证明该方法可以在智能驾驶领域进行目标识别.

关键词：持续学习、iCaRL算法、车辆目标识别、图像数据集

所属期刊栏目：48

分类号：U27;TP39(车辆工程)

在线出版日期：2023-08-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：73-81