《表6 交通标志在经典网络模型上的识别结果》
本文提出的STN+重构CNN特征的网络与let-5,Alexnet,VGG[18],Google-net以及残差网络Res Net[19]等多个网络对交通标志识别效果进行对比,结果如表6所示.Let-5和Alexnet属于轻型CNN,优点是网络简单,能够快速完成图像的识别任务;缺点是模型过于简单,卷积特征表达能力不强,对于交通标志图像的识别率也只有87.26%和94.82%.VGG,Google-net,Res Net属于深层CNN,深度特征具有很强是非线性表达能力,其中,Res Net的识别率高达到98.28%,但这类网络往往训练时间较长.本文提出的方法,在CNN训练图像之前,加入STN空间变换,自适应对图像进行空间变换,消除图像的几何噪声和背景信息,只保留输入图像感兴趣的部分.为了防止过拟合以及无效特征的过度使用,对CNN特征进行重构,按照不同通道特征的重要程度,对特征分配权重,从空间维度上对网络特征进行选择,激励有效的特征,抑制无效的特征.因此,STN+重构CNN特征的方法识别效果达到99.32%,远高于其他一些经典的神经网络模型.
图表编号 | XD0096853400 严禁用于非法目的 |
---|---|
绘制时间 | 2019.09.01 |
作者 | 朱军、侯振杰、陈树越、苏海明 |
绘制单位 | 常州大学信息科学与工程学院、常州大学信息科学与工程学院、常州大学信息科学与工程学院、常州大学信息科学与工程学院 |
更多格式 | 高清、无水印(增值服务) |