基于轻量型卷积神经网络的交通标志识别方法

• 作者: 刘志刚 程越
• 来源期刊: 计算机系统应用
• 关键词: 轻量型卷积神经网络 交通标志识别 VGG16网络 极限学习机
• 年，卷（期）: 2020,（2）
• 所属期刊栏目: 软件技术·算法
• 页码范围: 198-204
• 页数: 7页
• 字数: 4427字
• 语种: 中文
• DOI: 10.15888/j.cnki.csa.007264

摘要

交通标志识别设备的功耗和硬件性能较低, 而现有卷积神经网络模型内存占用高、训练速度慢、计算开销大, 无法应用于识别设备. 针对此问题, 为降低模型存储, 提升训练速度, 引入深度可分离卷积和混洗分组卷积并与极限学习机相结合, 提出两种轻量型卷积神经网络模型: DSC-ELM模型和SGC-ELM模型. 模型使用轻量化卷积神经网络提取特征后, 将特征送入极限学习机进行分类, 解决了卷积神经网络全连接层参数训练慢的问题. 新模型结合了轻量型卷积神经网络模型内存占用低、提取特征质量好以及ELM的泛化性好、训练速度快的优点. 实验结果表明. 与其他模型相比, 该混合模型能够更加快速准确地完成交通标志识别任务.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘志刚	东北石油大学计算机与信息技术学院	33	104	6.0	8.0
2	程越	东北石油大学计算机与信息技术学院	1	2	1.0	1.0