- 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)