持续学习算法在车辆目标识别上的应用

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。