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%。

一种用于交通标识分类的形状识别算法

交通标识分类是交通标识识别系统的基础环节,而交通标识形状识别是交通标识分类的核心部分。对交通标识进行了研究,将交通标识分为禁令标识、警告标识和指示标识3大类分别进行分析,提出了一种利用边缘走势统计特征反映目标形状特征的新算法,并将其与BP神经网络相结合用于交通标识形状的识别。首先利用颜色信息实现交通标识区域分割,随后记录交通标识的边缘走势并统计比例,最后使用BP神经网络进行分类,实现交通标识形状的识别。该算法对不同倾斜角度和不同拍摄角度的交通标识图像均具有很好的识别效果和识别速率。