基于深度模型小型化和轻量化的交通标志识别

发布时间：2021-09-02 19:33

　　目前,完全无人驾驶技术仍处于长期的研究阶段,还无法大规模落地应用。因此,次级别的辅助驾驶技术是当前更有意义的研究问题。面向视觉信息的智能识别算法是辅助驾驶技术的重要组成部分。因为视觉信号包含了丰富的视觉语义信息,为智能识别算法提供了数据支撑。而交通标志作为最基本的交通元素,约束并引导司机进行安全驾驶。因此,交通标志的自动识别算法作为一种重要的辅助驾驶技术引起了学界的广泛关注。当前最优的识别算法基于复杂的深度模型,对硬件环境有较高要求。但现实中,交通标志识别算法的应用平台主要是手机、车载导航等硬件资源有限的嵌入式设备,并且对算法的实时性和稳定性有较高要求。应对这种场景,需要性能稳定且结构精简的识别模型。基于上述思考,本文提出了深度模型的小型化和轻量化方法。小型化方法针对模型的线下构建过程。利用更精简的结构设计原则和针对性的模型训练方法来获得性能优秀的小规模识别模型。轻量化方法利用参数量化等方法对已训练好的模型进行压缩,使模型可以部署在资源有限的嵌入式设备上,同时还提高了模型的实时性。本文的创新点主要有两个:（1）提出了一套深度模型的小型化方法来构建面向交通标志识别问题的卷积神经网络。该方... 

【文章来源】：西北大学陕西省 211工程院校

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

神经元信息传递过程

第 章 绪论]提出了感知机模型。图 2 是 个感知机的数学模型，其中 ( )代表输 ( )代表权重参数， 表示特征值与权重的线性求和结果， 为偏置项为 ( )，感知机输出值 y 的计算方法如下，- = ( ) = ∑ ( ) = { ≥ <

能使用计算机来模拟人的某些思维过程和智能行为，如学习、推等。1982 年，JohnHopfield[9]提出了 Hopfield 神经网络。这种神归网络，从输出到输入都有反馈连接，每 个神经元都跟其他神早期主要应用于模数转换及优化组合计算等问题，其中最有代决旅行商问题。1985 年，Hinton 等人[10]在 Hopfield 网络中引玻尔兹曼机（BoltzmannMachine，BM）。它在神经元状态变化中络的平衡状态则服从玻尔兹曼分布。1986 年 Rumelhart 等人在了 BP 神经网络，即按照误差逆向传播算法训练的多层前馈神经有很强的非线性映射能力和柔性的网络结构，较好地解决了多层06 年，Ruslan 及 Hinton[11]利用深度置信网络（Deep Belief Ne中的协方差核进行逐层贪婪式的训练。这种微调使神经网络的性图 3 大脑视觉模型

【参考文献】：
期刊论文
[1]激活函数在卷积神经网络中的对比研究[J]. 田娟,李英祥,李彤岩.  计算机系统应用. 2018(07)
[2]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟.  计算机研究与发展. 2013(09)



本文编号：3379602