基于改进胶囊神经网络的示功图诊断模型

针对传统胶囊神经网络特征提取结构单一,模型参数量大以及动态路由算法中相似度衡量粗糙等问题,该文提出一种改进的胶囊神经网络。应用Fire Module模块,将网络中特征图通道数先进行压缩,再通过多尺度的卷积核提取特征信息,进而提升网络的特征提取能力和减少网络模型的参数。将Dropout思想引入胶囊神经网络来增加模型的多样性,并在动态路由结构中应用Tanimoto系数提高动态路由算法性能,加快模型收敛提高精度。为验证改进胶囊神经网络的有效性,将改进的胶囊神经网络与双卷积胶囊神经网络和传统卷积神经网络以及VGG网络模型进行对比。实验结果表明,改进的模型具有更高的准确率和更快的训练速度。

基于通道变换轻量化Yolov5s交通标志识别算法

为满足车载终端设备对于交通标志识别模型占用内存的需求,本文针对计算资源受限的嵌入式平台,提出一种轻量交通标志识别算法Yolov5s-lite。通过在Yolov5s中引入Fire Module结构进行通道变换、降低残差模块数量,减少了其模型占用内存。在TT100K数据集上实验结果表明,Yolov5s-lite相比于Yolov5s,模型参数量下降22.8%、计算量下降27.9%、实际模型内存下降21.7%、mAP仅下降0.5%,在检测准确率相当的前提下有效压缩了模型大小。