基于改进LeNet-5网络的车牌字符识别
引入了Inception-SE卷积模块组来提升LeNet-5网络的广度与深度,运用SE模块增强了有用的特征并抑制了对当前任务用处不大的特征;使用BN层和Dropout优化网络,防止梯度弥散,提升精度;使用全局池化层(global average pooling,GAP)代替全连接层来减少网络计算参数.研究结果表明:改进后网络的识别精度达到了99.88%,比传统的LeNet-5网络提高了1.71%.
卷积神经网络、车牌字符识别、LeNet-5网络、Inception-SE卷积模块、识别精度
32
TP183(自动化基础理论)
国家自然科学基金资助项目61573303
2020-09-14(万方平台首次上网日期,不代表论文的发表时间)
共6页
312-317