目录

数图大作业

一、 现状调研

二、 研究方案

2.1 模型结构

2.3 数据集

三、 特色与创新

四、 源码与实验结果

4.1 实验设计与结果

4.2 源代码

参考文献

一、 现状调研

目前随着卷积神经网络的广泛应用，对于深度卷积网络在交通信号识别的主要挑战就是计算和存储方面.交通信号识别是计算机视觉在现实场景中应用的重要任务之一，现阶段由于深度卷积网络在特征提取方面的显著作用，大部分提升识别准确率的方法都是在改进卷积网络[1-3]。

图1 交通标识识别

尽管深度卷积神经网络已经在交通信号识别领域取得了较好的结果，但限制深度卷积网络在交通信号识别领域广泛应用的一个关键的问题就是深度卷积网络的高计算量以及存储的问题。例如，Ciresan[3]提出的卷积网络就包含大约385万个参数，而Jin[4]提出的网络则包含大约有232万个参数。因此，设计更加紧凑和高效的交通信号识别深度神经网路是非常有必要的。

目前，有很多的研究在关注和探索更加适合嵌入式设备的小型深度神经网络。例如，在Iandola等人[5]提出了设计微卷积网络结构的三种策略：（1）减少卷积核的数量；（2）减少输入通道数；（3）在网络中使用下采样。遵循这些设计原则，Iandola提出了SqueezeNet微型的卷积神经网络，它的参数量比AlexNet小了近50倍。在Howard等人[6]的工作中，他们使用了深度可分离卷积层去减少参数量，实现了参数量和检测准确率之间的平衡。Sandler[7]在此基础上使用了残差结构使得参数量进一步减少的同时保持网络检测的高性能。Aghdam[8]等人提出了一种优化深度神经网络架构的技术，以实现交通信号识别的目的。基于他们所构建的用于交通信号识别的微型深度神经网络，网络的参数量减少到了17.4万个，并且仍然可以实现较高的精度。