基于自选择架构网络的交通标志分类算法

摘要

自动驾驶技术的实现需要对交通标识进行高精度的识别，但由于交通标识的相似度高、尺寸小且易受户外环境影响，实时精准检测变得具有挑战性。针对传统神经网络设计方式效率低下的问题，本文提出了自选择架构算法，可以自动调整网络结构以提高模型的性能和效率。该算法采用两阶段训练实现网络节点最优路径选择，同时对多损失函数权重超参数使用梯度传播进行训练，使用动态损失网络方案替代传统人工调参。实验结果表明，该算法在GTSRB数据集中实现了95.74%的准确率和146.58帧/s的检测速度，且模型参数量仅为0.46Mb，可部署于移动设备。与传统手动设计静态网络相比，采用自学习架构模块可以降低实验成本，提高精度和性能，在不同环境下更容易实现更好的检测效果，其损失收敛速度也获得明显提升。

关键词

交通标识图像分类 / 深度学习 / 自选择架构 / 最优网络路径 / 动态损失网络