计算机工程与科学

作者：霍爱清, 张文乐, 李浩平

单位：（西安石油大学电子工程学院,陕西 西安 710065）

关键词：SqueezeNet,GRU神经网络,深度残差网络,识别准确率,稳定性,

基金：陕西省教育厅基金（17JS108）；西安石油大学研究生创新与实践能力培养项目（YCS18213084)；陕西省科技厅一般工业项目（2020GY?152）

现有的交通路标识别方法都是基于卷积神经网络的，随着网络层数的增加，准确率会提高，但也出现了效率降低、参数量增加等问题。为此，提出结合深度残差网络和GRU网络的改进SqueezeNet模型（SqueezeNet?IR?GRU）。该模型采用ELU函数作为激活函数，以提高学习效率；引入深度残差网络，以避免网络太深时梯度消失的情况；利用GRU神经网络能够记忆过去的重要特征来保证模型的稳定性。在CIFIR?10和GTSRB数据集上进行了实验，其识别准确率分别达到99.13%和88.25%以上。实验结果表明，SqueezeNet?IR?GRU模型不仅大幅度降低了参数量，其收敛性、稳定性和召回率也都优于其他网络模型的。

来源：2020年第11期

《计算机工程与科学》期刊编辑部

查看计算机工程与科学杂志2020年第11期