卷积神经网络(Convolutional Neural Network,CNN)在图像分类任务中取得了巨大的成功。数据准备:首先,需要准备一个包含标记好的图像样本的数据集。数据集应包括训练集和测试集,其中训练集用于模型的训练和参数优化,测试集用于评估模型的性能。 模型构建:构建卷积神经网络模型。卷积神经网络通常由多个卷积层、池化层和全连接层组成。卷积层用于提取图像的特征,池化层用于降低特征图的维度,全连接层用于将特征映射到类别标签上。 模型训练:使用训练集对卷积神经网络进行训练。通过将图像样本输入到网络中,计算损失函数并使用反向传播算法进行参数更新。重复这个过程,直到模型收敛或达到...
智慧停车 项目背景:智慧停车跃升为国家战略,解决道路侧停车管理难的问题。 关键技术:车辆检测、跟踪、识别、分类,车牌识别算法,停车业务处理逻辑。 数据集 : 基于高位视频的海量数据:车辆、车牌等图像信息。 算法实现: 边缘端基于 nvidia-nx 硬件开发,所涉及的车辆检测、跟踪模型,车牌检测、识别模型均采用轻 量化设计思路、应用模型压缩技术、包括剪枝、蒸馏、量化。配合指定区域检测业务处理逻辑, 主要策略为平衡算法误报和漏报,由于边缘端计算资源有限,故边缘端侧重改善算法漏报,服 务端改善算法误报。 服务端算法包括车辆分类、识别以及相识度判别模型改善算法误报。通过秒图功能及泊...
车牌识别算法(高位视频场景) 项目背景:高位视频停车场景下车牌识别:包含白天夜晚。 关键技术:Crnn、Transform、Ctc、模型压缩加速 数据集 : 1 万张真实数据+9 万张合成数据,包含普通车牌和新能源车牌。 算法实现:利用 albumentations 数据增强库对车牌进行数据增强,由于各省份车牌数量不均衡采用算法生成部 分假数据;起初采用 crnn 算法,但量化后运行速度慢,因为 rnn 是串行计算,并行度不够,因此选 用 transform+ctc 的技术路线,transform 可采用并行计算,速度更快,模块中去掉了位置编码模块 (加入后模型不易收敛),在夜晚...