1、“.....通过算法对其进行聚类，得到最能表征训练集中目标宽高比信息的候选框尺度。表所示为各个初始候选框的尺度，其中宽度比和高度比是初始候选框尺寸与检测区域尺寸的比值。交通场景中车辆图片正面和背面位置框近似为正方形且像素占比较小，侧面位置框近似于长方形且像素占比较大，与表中初始候选框尺度数基于迁移学习的交通场景车辆实时检测算法论文原稿精确实时的车辆检测，本文算法基于迁移学习思想，以深度学习实时检测算法为基础。使用在大规模数据集上预训练得到的分类模型初始化卷积神经网络......”。

2、“.....从而得到最终的车辆检测模型。基于迁移学习的交通场景车辆实时检测算法论文原稿。检测模型训所示。基于迁移学习的交通场景车辆实时检测算法论文原稿。近年来，随着大规模数据集的不断构建以及硬件计算能力的持续增强，深度学习理论和实践得到迅速发展。年，首次将深度学习应用到检测领域，后续出现了该类方法的改进，但均无法实时运行。在工程应用中，实时性非常重要，由此出现了基于回归的深度学习目标检测方习应用到检测领域，后续出现了该类方法的改进，但均无法实时运行。在工程应用中，实时性非常重要......”。

3、“.....典型代表为和，能够实现实时检测。实时车辆检测算法基于迁移学习的交通场景车辆实时检测算法分为训练阶段和检测阶段。训练阶段基于迁移学习，首先使用在大规模摘要为实现精确实时的车辆检测，本文算法基于迁移学习思想，以深度学习实时检测算法为基础。使用在大规模数据集上预训练得到的分类模型初始化卷积神经网络，搜集交通场景车辆图片并标注后输入该网络利用反向传播进行微调，从而得到最终的车辆检测模型。根据交通场景中车辆检测对准确率和实时性的要求，本文以，适用于本文所述的交通场景......”。

4、“.....仅为本文检测模型达到的为，有较大提升。由此可见，针对具体应用场景，在已有的深度学习检测模型基础上应用迁移学习进行微调可以较大程度提升检测准确率。结语相较于基于机器学习车辆检测方法中的传统特征，深度学习模拟人脑，自动从图像中提取深度特征，不测区域尺寸的比值。交通场景中车辆图片正面和背面位置框近似为正方形且像素占比较小，侧面位置框近似于长方形且像素占比较大，与表中初始候选框尺度数据致。车辆检测检测阶段流程图如图所示，首先将需要车辆检测的图片缩放到，并将其划分为的检测区域......”。

5、“.....采用非极大值抑制剔除无效候选框，最数量的快速增长，我国道路交通状况日趋复杂，实现精确实时车辆检测的难度不断增加。基于迁移学习的交通场景车辆实时检测算法论文原稿。检测模型训练训练集构建训练集是迁移学习能否取得良好效果极为重要的因素。本文收集了大量交通场景下的车辆图片，对图片中车辆出现的位置进行标注。所收集的图片包含白天夜间等不同的关照条基于迁移学习的交通场景车辆实时检测算法论文原稿。避免了复杂的特征设计过程，而且具有强大的泛化能力。本文以深度学习实时检测算法为基础，通过迁移学习......”。

6、“.....将检测从提高到同时该算法每帧平均检测耗时，满足工程应用实时性需求。参考文献得到图片中包含车辆目标。算法效果运行环境本文算法运行环境如。检测指标测试数据集包含张不同光照和天气环境下的交通场景车辆图片，在上述测试条件下，检测算法每帧平均耗时。算法通过数据集训练得到的检测模型中包含车辆类型，并不，涵盖晴天雨雪天等不同的天气环境，覆盖目标尽可能多的尺度和形状变化，保证了训练样本的多样性。初始候选框选取本文统计了训练集中所有目标标注框的宽度和高度数据......”。

7、“.....得到最能表征训练集中目标宽高比信息的候选框尺度。表所示为各个初始候选框的尺度，其中宽度比和高度比是初始候选框尺寸与检，。关键词迁移学习车辆检测卷积神经网络中图分类号文献标识码文章编号车辆检测作为智能交通规划中的关键基础技术，直以来都是国内外研究的热点。近年来，伴随着国内机动车基于迁移学习的交通场景车辆实时检测算法论文原稿，深度学习检测模型基础上应用迁移学习进行微调可以较大程度提升检测准确率。结语相较于基于机器学习车辆检测方法中的传统特征，深度学习模拟人脑，自动从图像中提取深度特征......”。

8、“.....而且具有强大的泛化能力。本文以深度学习实时检测算法为基础，通过迁移学习，利用了大规模数据集上预训练模型参致。车辆检测检测阶段流程图如图所示，首先将需要车辆检测的图片缩放到，并将其划分为的检测区域，针对每个检测区域预测得到个目标候选框，采用非极大值抑制剔除无效候选框，最终得到图片中包含车辆目标。算法效果运行环境本文算法运行环境如。检测指标测训练集构建训练集是迁移学习能否取得良好效果极为重要的因素。本文收集了大量交通场景下的车辆图片，对图片中车辆出现的位置进行标注......”。

9、“.....涵盖晴天雨雪天等不同的天气环境，覆盖目标尽可能多的尺度和形状变化，保证了训练样本的多样性。初始候选框选取本文统计了训练集中所有目标标注框的，典型代表为和，能够实现实时检测。根据交通场景中车辆检测对准确率和实时性的要求，本文以算法作为基础，结合大量交通场景车辆样本数据，实现了基于迁移学习的车辆实时检测算法。实验结果表明每帧图像检测平均耗时，不仅显著提高了识别准确率，而且满足工程应用的实时性需求。摘要为实现据集上预训练得到的分类模型初始化卷积神经网络......”。