轻量级CNN与ELM结合的高效交通标志识别

"本文主要探讨了在交通标志识别领域中，如何解决现有卷积神经网络(CNN)模型在低功耗、低性能设备上应用的挑战。研究者提出了两种基于轻量型卷积神经网络的新型模型——DSC-ELM和SGC-ELM，结合深度可分离卷积(Depthwise Separable Convolution)和混洗分组卷积(Shuffle Group Convolution)，并整合极限学习机(Extreme Learning Machine, ELM)进行分类。这两种模型有效地降低了内存占用，提升了训练速度，同时保持了良好的特征提取能力和高精度的识别效果。通过实验证明，相较于其他模型，提出的混合模型在交通标志识别任务上表现更优，实现了更快、更准确的识别。" 在交通标志识别的应用中，传统的卷积神经网络模型如VGG16等，由于其庞大的模型大小和复杂的计算需求，往往不适用于资源有限的设备。针对这一问题，研究者引入了轻量型卷积神经网络结构，这种结构旨在减少模型的存储需求和计算复杂度。深度可分离卷积是一种有效的轻量化技术，它将标准卷积分解为深度卷积和逐点卷积两部分，大大减少了计算量而不显著影响性能。混洗分组卷积则是另一种降低计算负担的方法，通过分组和混洗操作，能够在保持模型深度的同时减少参数数量。 极限学习机是一种快速的学习算法，它在神经网络的全连接层中，通过随机初始化权重并一次性完成权重学习，极大地加速了训练过程。在DSC-ELM和SGC-ELM模型中，轻量型卷积神经网络负责特征提取，提取后的特征再输入到极限学习机进行分类，这既利用了轻量型CNN的高效特征提取能力，又结合了ELM的快速学习和良好泛化特性。 实验结果显示，这些轻量级模型在处理交通标志识别任务时，不仅在速度上优于其他模型，而且在识别准确性上也具有竞争力。这表明，通过结合轻量型卷积神经网络和极限学习机，可以设计出适用于资源受限环境的高效识别系统，对于智能交通、自动驾驶等领域有着重要的应用价值。