龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：三峡大学
申请日：2023-11-27
公开（公告）日：2024-05-17
公开（公告）号：CN118053138A
主分类号：G06V20/58
分类号：G06V20/58;G06V10/82;G06N3/0464;G06N3/084
优先权：
专利状态码：在审-实质审查的生效
法律状态：2024.06.04#实质审查的生效;2024.05.17#公开
摘要：本发明公开了一种基于自选择架构网络的交通标志分类方法，该方案首先进行图像预处理以增强与归一化图像作为输入，然后设计了多层普通卷积下采样和自选择架构重采样的特征提取网络，并将提取的融合特征传入全连接网络，最后利用Softmax分类器完成对交通标志的识别。为了获得最优交通标识分类模型，使用FocalLoss作为损失函数同时对神经网络和最优路径权重进行训练；与传统的手动设计静态网络相比，我们的自学习架构模块可以降低实验成本，提高精度和性能，以及在不同环境下更容易实现优良的检测效果，对于自动驾驶技术的发展具有重要的意义。
主权项：1.一种基于自选择架构网络的交通标志分类方法，其特征在于，包括以下步骤：S1，使用公开的交通标志图像数据集GTSRB作为数据库，并对这些图像进行预处理，使其适合卷积神经网络模型；S2，构建卷积神经网络，从图像中提取特征并进行分类；S3，在每个自选择架构模块中，预先设定多个节点，相邻节点中由四条路径连接；S4，使用FocalLoss进行反向传播，解决数据集不均衡问题；S5，对模型训练进行设定：S501，设定模型输入分辨率、批样本数量和训练轮次，采用“余弦退火衰减”策略调整训练过程中的学习率；S502，使用Adam优化器，设置初始学习率和初始周期；S6，采用两阶段训练方式：第一阶段使用多路径加权融合方式同时训练所有候选路径的网络，并得到最优路径所在索引；第二阶段使用所有节点最优路径重新构建最优网络，训练并得到最优性能与最优效率；S7，使用测试集对模型进行评估，并据此进行模型优化。
全文数据：
权利要求：
百度查询： 三峡大学 一种基于自选择架构网络的交通标志分类方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号