监控系统安装公司表示网络训练首先要数据集建立

       卷积神经网络的学习过程虽然不需要手工选取特征，可以实现对图像特征的自动化学习，但是这种学习需要以大量的学习资料作为基础，即数据集。然而目前物体识别领域已有的经典数据集，如imagenet和voc，数量庞大，物体种类繁多，对本文的研究并不具有针对性。因此为了针对性地提升识别效果，我们需要建立基于卡口图像的车型数据库。

       参照标准图像分类数据集，安防监控公司对数据集进行车辆区域和车辆类型的标注，其中，车辆区域用一个矩形框标定，包括左上角顶点的横纵坐标以及右下角顶点的横纵坐标；车辆类型分为小轿车和大客车两大类， 一个图像的标注结果。

       本文原始数据集中共标定了2800张图像，其中2000张小轿车，800张大客车。本文选取1900张小轿车，700张大客车作为训练集，余下100张小轿车，100张大货车作为验证集。由于两类训练数据并不均衡，且训练集数据对于卷积神经网络的训练是远远不足的，因此在原有已标定数据集的基础上，我们又进行了数据的增广具体的数据增广

方式如下：
       对图像进行上下左右的镜像翻转，候选框坐标做相应更改；
       将图像进行90。、180。、270。的选择，候选框坐标做相应更改    对图像添加小强度的高斯噪声，候选框坐标无需更改；
       住原图上随机裁剪图像，保留包含完整候选框的图像，并相应更改候选框坐标。
       经过这样的数据增广处理，数据集可以扩大10倍，可以满足卷积神经网络的训练需求。

       网络训练过程
       卷积神经网络在本质上是一种输入到输出的映射。用大量的已知输入以及对应输出，对卷积网络加以训练，网络就可以学习到这种映射关系。和标准A1exNet相同，本文也采取随机梯度下降法训练。每一层的权重用均值为0，标准差为O．01的高斯分布进行初始化。