原创力文档- 1、本文档共7页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
第40卷第9期算机仿真2023年9月
文章编号：1006-9348（2023)09-0140-06
结合卷积和自注意力机制的交通标志识别模型
周峰，刘云翔，石艳娇
（上海应用技术大学计算机科学与信息工程学院，上海201418）
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。
关键词：自注意力机制；交通标志识别；深度学习；深度可分离卷积
中图分类号：U491.5+2文献标识码：B
TrafficSignRecognitionModelCombiningConvolution
andSelf-AttentionMechanism
ZHOUFeng,LIUYun-xiang’,SHIYan-jiao
(SchoolofComputerScienceInformationEngineering,ShanghaiInstituteofTechnology,Shanghai201418,China)
ABSTRACT:Inresponsetotheproblemsoflowaccuracy,largenumberofrecognitionmodelparameters,andslow
recognitionspeedintrafficsignrecognition,thisstudyappliedthemultiheadselfattentionmechanismtothe
backbonenetworkoftheYOLOv4tinymodel.TheD-CSPmoduleandA-CSPmodulewereconstructedtoreplacethe
originalbackbonenetwork.TheD-CSPmoduleuseddeepseparableconvolutiontosignificantlyreducethenumberof
parametersandcomputationalcomplexityofthemodel,andtheA-CSPmodulewasusedtointegratethemultihead
selfattentionmechanismandconvolutionoperations,enhancethesemanticinformationofthefeaturemap,andfinally
performtargetdetectionatdifferentscalesonthefourlayerfeaturemaptoreducethemisseddetectionrate.Thetest
resultsontheTT100Kdatasetshowthattheaverageaccuracyofthemodelreaches90.7%,whichis2.1%higher
thantheYOLOV4-
文档评论（0）