CN113537138B 一种基于轻量化神经网络的交通标志识别方法 （泉州装备制造研究所）_第1页
CN113537138B 一种基于轻量化神经网络的交通标志识别方法 （泉州装备制造研究所）_第2页
CN113537138B 一种基于轻量化神经网络的交通标志识别方法 （泉州装备制造研究所）_第3页
CN113537138B 一种基于轻量化神经网络的交通标志识别方法 （泉州装备制造研究所）_第4页
CN113537138B 一种基于轻量化神经网络的交通标志识别方法 （泉州装备制造研究所）_第5页
已阅读5页，还剩21页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种基于轻量化神经网络的交通标志识别一种基于轻量化神经网络的交通标志识别卷积特征提取部分由1层传统3×3卷积和16层可2分包括1层传统3×3卷积和16层可分离非对称卷积，所述可分离非对称卷积包括第一可分所述第二可分离非对称卷积首先对输入的每个通道进行步骤6，查看训练好的剪枝后的轻量化神经网络模型的识别精度，若识别精度损失在所述卷积特征提取部分第2-5层采用第一可分离非对称卷积，其中残差连接方式实线部分3卷积特征提取部分第6层采用第二可分离非对称卷积卷积特征提取部分第7-11层采用第一可分离非对卷积特征提取部分第12层采用第二可分离非对称卷积，通卷积特征提取部分第13-15层采用第一可分离非对称卷积，其中残差连接方式虚线部卷积特征提取部分第16层采用第二可分离非对称卷积；通卷积特征提取部分第17层采用第一可分离非对称卷积；在可分离非对称卷积中的每次卷积操作后加BN层和激活层，激活层使用的激活函数均为5.根据权利要求1或2或3或4所述的一种基特征图进行维度转换为64×64的形状，之后分别初始化两个大小均为64×64的权重矩阵，第二层可分离全连接模块首先分别初始化两个大小均为6.根据权利要求1或2所述的一种基于轻量化神经网络的45[0002]图像识别作为计算机视觉领域比较成熟的应用，越来越受到社会各界的广泛关试集上对训练好的剪枝后的轻量化神经网络6[0016]所述卷积特征提取部分包括1层传统3×3卷积和16层可分离非对称卷积，所述可分离非对称卷积包括第一可分离非对称卷积和[0021]所述卷积特征提取部分第2-5层采用第一可分离非对称卷积，其中残差连接方式[0025]卷积特征提取部分第13-15层采用第一可分离非对称卷积，其中残差连接方式虚7[0031]第三层可分离全连接模块首先分别初始化两个大小为A-3(1×64)、B-3(64×64)[0034]1、本发明通过设计轻量化神经网络和模型剪枝方法构建轻量化交通标志识别模8[0051]步骤6，模型剪枝完成后，查看训练好的剪枝后的轻量化神经网络模型的识别精9[0059]卷积特征提取部分第2-5层采用第一可分离非对称卷积，其中残差连接方式实线[0063]卷积特征提取部分第13-15层采用第一可分离非对称卷积，其中残差连接方式虚[0069]第三层可分离全连接模块首先分别初始化两个大小为A-3(1×64)、B-3(64×64)[0071]MobileNetV1网络中的深度可分离卷积由两种卷积方式组成，第一种为逐通道的M[0094]在可分离非对称卷积模块中，如图2所示，大部分的计算量主要集中在逐点卷积[0096]该式可以得到一个输出特征图其中Fiki表示权重系数ki和特征图Fi上每个pppp[0106]1)在GPU平台上使用处理过的交通标志数据集对设计好的轻量化神经网络进行训

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论