相关实验视频
Updated: May 5, 2026

13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
8.9K
小平行残余卷积神经网络和交通拥堵检测
Shan Jiang1,2,3, Yuming Feng4,5
1School of Computer Science and Engineering, Chongqing Three Gorges University, Wanzhou, Chongqing, 404100, China.
Scientific reports
|April 24, 2025
概括
本研究介绍了一种新的小型并行残余卷积神经网络 (SPRCNN),用于高效的基于图像的交通拥堵检测. 在实时流量监控和管理方面,SPRCNN模型的表现优于大型预训练网络.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 城市规划 城市规划
背景情况:
- 交通拥堵是现代城市发展的一个主要挑战.
- 实时监控交通状况对于城市管理和居民便利至关重要.
- 现有的方法可能缺乏大规模流量分析的效率或可扩展性.
研究的目的:
- 开发一种高效的基于图像的交通拥堵检测模型.
- 提高实时交通状况评估的准确性和速度.
- 为城市交通管理提出一个可扩展的解决方案.
主要方法:
- 利用剩余单元作为神经网络架构的核心组件.
- 整合了一个并行机制来增强模型容量.
- 通过减少大型卷积神经网络模型的规模,开发了一个小型并行剩余卷积神经网络 (SPRCNN).
- 将SPRCNN模型应用于用于交通拥堵检测的图像分类.
主要成果:
- 对交通网和CCTRIB数据集的实验验证证明了SPRCNN模型的有效性.
- 对比实验显示,与现有的大型预训练模型相比,性能优越.
- 时空复杂性分析证实了算法的时间和空间效率.
结论:
- 拟议的SPRCNN模型在基于图像的交通拥堵检测方面取得了重大进展.
- SPRCNN为实时城市交通监控提供了更高效,更可扩展的解决方案.
- 这项研究通过改进交通管理策略,为更智能的城市发展做出了贡献.

