基于知识蒸馏的道路交通标志识别神经网络
作者机构:北京信息科技大学仪器科学与技术系
出 版 物:《计算机工程与应用》 (Computer Engineering and Applications)
年 卷 期:2024年
学科分类:08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 080204[工学-车辆工程] 0802[工学-机械工程] 0811[工学-控制科学与工程]
基 金:国家自然科学基金项目(U21A6003) 北京信息科技大学勤信英才项目(5112111145)
摘 要:自然场景下的交通标志识别易受到光照、遮挡和模糊等因素的干扰,从而影响检测精度;同时现有的深度学习模型参数量多、计算复杂度较高导致模型推理时间较长。文章提出了一种基于知识蒸馏的神经网络架构AFE-ViT(Adaptive feature extraction -Vision Transformer)用于道路交通标志识别,该架构由自适应特征提取模块和轻量级ViT(Vision Transformer)分类器组成,其融合了图像中局部和全局特征信息,对自然场景下的道路交通标志识别具有更好的适应性。其中,自适应特征提取模块结合了InceptionNetV1、SKNet思想和残差结构,实现了多感受野的自适应选择,并作为ViT的前置模块,有效提高了特征提取效率。选择ResNet18作为教师网络,AFE-ViT作为学生网络,采用特征级和输出级知识蒸馏方法对AFE-ViT进行蒸馏,压缩模型参数。实验结果表明,该方法的识别准确率可达98.98%,模型参数量仅为0.99m,表现优于同类深度学习模型。