典型文献
基于空间通道注意力机制与多尺度融合的交通标志识别研究
文献摘要：
通过YOLOV3深度神经网络算法可以实现道路交通标志的自动检测与识别,由于YOLOV3运算量较大,很难在小型嵌入式平台上使用,针对这一问题,文中提出了改进型的轻量化YOLOV3-3ctiny神经网络模型.为了融合浅层特征图的空间信息与深层特征图的语义信息,将第19层卷积层通过上采样后与第7层卷积层相连接,多尺度融合后输入YOLO层形成新的特征金字塔,以此提高小目标的识别率.同时,为使网络更加关注交通标志的细节信息,在特征金字塔网络中增添能够增强前景信息降低背景信息的空间通道注意力机制.使用Kmeans聚类算法对数据集作聚类处理,获得一组先验框.在长沙理工大学交通标志数据集上进行测试,实验结果表明,改进后算法的识别率达到91.8％,与YOLOV3-tiny算法相比提高了 24.9个百分点,而与YOLOV3算法相比,每张图片的检测时间降低至0.133 s,降低了 49.6％,该算法具有较强的实时性和准确性.
文献关键词：
交通标志;轻量化网络;YOLOV3-3ctiny;多尺度融合;特征金字塔;空间通道注意力机制
中图分类号：
作者姓名：
黄志强;李军
作者机构：
重庆交通大学机电与车辆工程学院,重庆 400074
文献出处：
引用格式：
[1]黄志强;李军-.基于空间通道注意力机制与多尺度融合的交通标志识别研究)[J].南京邮电大学学报（自然科学版）,2022(02):93-102
A类：
3ctiny
B类：
空间通道注意力机制,多尺度融合,交通标志识别,YOLOV3,深度神经网络,神经网络算法,道路交通,自动检测,检测与识别,运算量,嵌入式平台,改进型,特征图,空间信息,深层特征,语义信息,卷积层,上采样,相连接,高小,小目标,识别率,细节信息,特征金字塔网络,前景信息,背景信息,Kmeans,聚类算法,先验框,理工大学,百分点,每张,检测时间,轻量化网络
AB值：
0.299034
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
