文件名称：基于轻量型卷积神经网络的交通标志识别方法
文件大小：1.51MB
文件格式：PDF
更新时间：2024-05-26 06:10:29
轻量型卷积神经网络 交通标志识别 VGG16网络 极限学习机
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.