基于轻量化卷积神经网络的车辆场景识别算法

宿 腾野
广西工业职业技术学院

摘要


在车联网研究中，对车辆场景识别至关重要，在车辆行驶过程中，车辆场景识别必须保证识别过程的低延时低消耗。为此，针对传统的基于卷积神经网络的车辆场景识别方法识别速度慢、精度低的问题，提出了一种轻量级卷积神经网络（LightCNN），能够平衡准确度和模型复杂度。该方法采用轻量级卷积神经网络，对网络的卷积层、池化层、全连接层进行优化，减少了网络层数和结构参数数量，进行算法优化，取得最优效果。最后，通过实验对CNN算法与LightCNN算法的性能以及模型复杂度等进行对比，LightCNN在保证精度的前提下，其参数量较标准CNN降低88.52%。

关键词


车辆场景识别；LightCNN算法；模型复杂度

全文:

PDF


参考


[1]李威.面向智能驾驶的交通场景理解方法研究[D].吉林大学，2021.DOI：10.27162/d.cnki.gjlin.2021.000550.

[2]周亚如.车联网中基于深度分布式学习的场景识别算法研究[D].南京邮电大学，2022.DOI：10.27251/d.cnki.gnjdc.2022.000356.

[3]孙旭生.基于深度学习的驾驶场景感知与车身自动建模[D].大连理工大学，2021.DOI：10.26991/d.cnki.gdllu.2021.001286.

[4]Ni, J., et al. "An Improved Deep Network-Based Scene Classification Method for Self-Driving Cars." IEEE Transactions on Instrumentation and Measurement (2022).

[5]徐洋，张旭.基于改进深度学习的车辆道路场景识别[J].农业装备与车辆工程，2021，59（10）：88-93.

[6]Awang, S., Nik Mohamad Aizuddin Nik Azmi, and M. A. Rahman. "Vehicle Type Classification Using an Enhanced Sparse-Filtered Convolutional Neural Network With Layer-Skipping Strategy." IEEE Access (2020).


Refbacks

  • 当前没有refback。