基于增强监督知识蒸馏的交通标识分类

为了解决神经网络对训练数据中隐藏知识利用不充分的问题,提出1种基于增强监督知识蒸馏的模型优化方法,通过设计1种新的损失函数,实现用已有教师网络的输出指导学生网络的训练,并纠正教师网络的错误。所提出方法通过再训练挖掘出隐藏的知识,可进一步提高交通标识分类的准确率。在GTSRB数据集上验证所提出方法的有效性,通过在深度卷积网络ResNet-56的对比实验证明,经过增强监督知识蒸馏方法优化后的网络相比原有网络,分类准确率提升了1.27%。