咨询与建议

看过本文的还看了

相关文献

该作者的其他文献

文献详情 >结合卷积和自注意力机制的交通标志识别模型 收藏

结合卷积和自注意力机制的交通标志识别模型

Traffic Sign Recognition Model Combining Convolution and Self-Attention Mechanism

作     者:周峰 刘云翔 石艳娇 ZHOU Feng;LIU Yun-xiang;SHI Yan-jiao

作者机构:上海应用技术大学计算机科学与信息工程学院上海201418 

出 版 物:《计算机仿真》 (Computer Simulation)

年 卷 期:2023年第40卷第9期

页      面:140-145,430页

学科分类:08[工学] 082303[工学-交通运输规划与管理] 082302[工学-交通信息工程及控制] 0823[工学-交通运输工程] 

基  金:国家自然科学基金(61806126) 

主  题:自注意力机制 交通标志识别 深度学习 深度可分离卷积 

摘      要:针对交通标志识别精度低,识别模型参数量大,识别速度慢的问题,提出了将多头自注意力机制应用到YOLOv4-tiny模型的主干网络中,构建D-CSP模块和A-CSP模块,替换原模型中的主干网络,其中D-CSP模块使用深度可分离卷积显著降低模型的参数数量和计算量,A-CSP模块将多头自注意力机制和卷积运算融合,增强了特征图的语义信息,最后在四层特征图上进行不同尺度的目标检测,降低漏检率。在TT100K数据集上的测试结果表明,上述模型的平均精度达到90.7%,相比YOLOV4-tiny模型提升了2.1%,模型大小为22.9MB,比YOLOV4-tiny模型少了0.9MB。上述算法一定程度上减少模型大小,并带来了检测精度的提升。

读者评论 与其他读者分享你的观点

用户名:未登录
我的评分