基于轻量型卷积神经网络的交通标志识别方法
Computer Systems & Applications（2020）
Abstract
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.
MoreAI Read Science
Must-Reading Tree
Example
Generate MRT to find the research sequence of this paper
Chat Paper
Summary is being generated by the instructions you defined