基于增强的LeNet-5网络,用于交通标志识别的轻量级网络架构
Yuan An1,2, Chunyu Yang1, Shuo Zhang3
1China University of Mining and Technology, Engineering Research Center of Intelligent Control for Underground Space, Ministry of Education, Xuzhou, China.
Frontiers in neuroscience
|July 4, 2024
概括
本研究介绍了一种改进的,轻量级的卷积神经网络 (CNN),用于无人驾驶系统中的交通标志识别. 改进后的模型达到97.53%的准确性,提供快速执行和在嵌入式设备上轻松部署.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器人技术 机器人技术 机器人技术
背景情况:
- 交通标志识别对于自动驾驶系统至关重要.
- 现有的方法经常与嵌入式硬件的计算需求作斗争.
- 需要有效且准确的交通标志识别模型,适合实时应用.
研究的目的:
- 为交通标志识别开发一种轻量级卷积神经网络 (CNN) 架构.
- 为了优化CNN,在嵌入式系统上实现卓越的识别准确性和快速执行速度.
- 为了确保无人驾驶驾驶应用的轻松部署.
主要方法:
- 修改了经典的LeNet-5卷积神经网络 (CNN) 架构.
- 实施的图像预处理技术.
- 改善了空间聚合,优化了神经元和精细的激活功能.
- 在德国交通标志识别基准数据集 (GTSRB) 上测试了增强的CNN.
主要成果:
- 改进的CNN架构在GTSRB数据集上实现了97.53%的识别精度.
- 证明了更高的识别精度与减少干扰时间.
- 在训练期间显著减少了算法损失.
- 在识别性能方面表现优于其他轻量级网络模型.
结论:
- 开发的轻量级CNN适用于无人驾驶系统的嵌入式应用.
- 优化的架构平衡了高精度与快速执行速度.
- 该模型的简单性和低算法复杂性有助于在自主系统中更广泛地采用.
