典型文献
基于AlexNet网络的交通标志识别方法
文献摘要：
针对交通标志在城市交通中易受恶劣天气、 交通拥堵等影响而导致识别率低的问题,提出了一种在Alex模型基础上改进的交通标志识别方法,引入了批量归一化(Batch Normalization,BN)方法取代原有的局部响应归一化(Local Response Normalization,LRN)法,并加入全局平均池化层(Global Average Pooling Layer,GAP)取代原有的全连接层.其中BN法将每一层输出数据归一化为均值为0、 标准差为1,使得结构传输更为顺畅;GAP层的引入大大减少了网络参数量.使用GTSRB数据集进行训练并测试,结果表明改进后的网络模型分类精度有了很大的提高,达到了93.2％,具备一定的实用价值.
文献关键词：
卷积神经网络;交通标识;批归一化处理;全局平均池化层
中图分类号：
作者姓名：
徐兢成;王丽华
作者机构：
南京信息工程大学 自动化学院, 江苏 南京 210044
文献出处：
引用格式：
[1]徐兢成;王丽华-.基于AlexNet网络的交通标志识别方法)[J].无线电工程,2022(03):470-475
A类：
B类：
AlexNet,交通标志识别,志在,城市交通,中易,恶劣天气,交通拥堵,识别率,批量归一化,Batch,Normalization,BN,局部响应归一化,Local,Response,LRN,全局平均池化层,Global,Average,Pooling,Layer,GAP,全连接层,数据归一化,大大减少,网络参数,参数量,GTSRB,模型分类,分类精度,交通标识,批归一化处理
AB值：
0.463366
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
