基于RGB和LIDAR數(shù)據(jù)的車輛分類神經(jīng)網(wǎng)絡(luò)模型研究

（INVESTIGATIONS ON THE POTENTIAL OF CONVOLUTIONAL NEURAL NETWORKS FOR VEHICLE CLASSIFICATION BASED ON RGB AND LIDAR DATA）

近年來，通過卷積神經(jīng)網(wǎng)絡(luò)對物體和圖像的檢測、識(shí)別和分類技術(shù)得到了顯著的改善。為了進(jìn)一步研究卷積神經(jīng)網(wǎng)絡(luò)的潛力，本文研究了三種基于卷積神經(jīng)網(wǎng)絡(luò)的分類器訓(xùn)練方法。這些方法通過包含幾百個(gè)訓(xùn)練樣本的數(shù)據(jù)集上訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，確保其可分類成功。其中兩種方法是基于遷移學(xué)習(xí)的理論。在第一種方法中，將預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)產(chǎn)生的特征用于基于支持向量機(jī)的分類技術(shù)中進(jìn)行分類。在第二種方法中，對預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)在不同的訓(xùn)練數(shù)據(jù)集上進(jìn)行微調(diào)。在第三種方法中，對平面卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行嚴(yán)格的設(shè)計(jì)和培訓(xùn)。所提出的這些方法的評估實(shí)驗(yàn)都是基于由IEEE地球科學(xué)和遙感學(xué)會(huì)（GRSS）提供的包含城市地區(qū)的RGB數(shù)據(jù)和LiDAR數(shù)據(jù)的數(shù)據(jù)集。評估結(jié)果表明，這些卷積神經(jīng)網(wǎng)絡(luò)所造成的分類結(jié)果都與RGB數(shù)據(jù)和LiDAR數(shù)據(jù)的精度水平有關(guān)。由RGB數(shù)據(jù)通過遷移學(xué)習(xí)轉(zhuǎn)換成LiDAR數(shù)據(jù)而得到的特征與單純的RGB數(shù)據(jù)相比訓(xùn)練后能夠得到更好的分類結(jié)果。使用比常規(guī)神經(jīng)網(wǎng)絡(luò)更少的隱含層的神經(jīng)網(wǎng)絡(luò)也能夠得到最好的分類結(jié)果。由此可以表明，LiDAR圖像比RGB圖像在實(shí)際應(yīng)用中可以得到更好的車輛分類數(shù)據(jù)基礎(chǔ)。

本文提出的三種方法中最成功的方法的新穎之處在于基于RGB數(shù)據(jù)和LiDAR數(shù)據(jù)融合的卷積神經(jīng)網(wǎng)絡(luò)在遙感應(yīng)用方面的培訓(xùn)。介紹了不同數(shù)據(jù)融合訓(xùn)練結(jié)果的比較過程。對于未來的工作，計(jì)劃測試更多的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，以解決不精確的配置所帶來的誤差問題。此外，還打算采用高光譜數(shù)據(jù)和RGB以及高光譜數(shù)據(jù)和LiDAR數(shù)據(jù)集的組合對CNN分類進(jìn)行測試。