基于多目标优化的车道线检测模型剪枝算法

翁佳昊; 秦永法; 唐晓峰; 张浩文; 关栋

doi:10.13873/J.1000-9787(2023)07-0125-03

Chinese

您当前的位置：

首页 >

文章列表页 >

基于多目标优化的车道线检测模型剪枝算法

计算与测试 | 更新时间：2025-09-11

- 基于多目标优化的车道线检测模型剪枝算法
- 暂无标题
- 传感器与微系统 2023年第7期页码：125-127+131
- 作者机构：
  
  扬州大学机械工程学院
- 作者简介：
- 基金信息：
  
  国家自然科学基金资助项目(52005433)
- DOI：10.13873/J.1000-9787(2023)07-0125-03
  中图分类号： U463.6;TP391.41
- 纸质出版：2023
- 稿件说明：
移动端阅览
翁佳昊, 秦永法, 唐晓峰, 等. 基于多目标优化的车道线检测模型剪枝算法[J]. 传感器与微系统, 2023,(7):125-127+131.
翁佳昊, 秦永法, 唐晓峰, 等. 基于多目标优化的车道线检测模型剪枝算法[J]. 传感器与微系统, 2023,(7):125-127+131. DOI： 10.13873/J.1000-9787(2023)07-0125-03.

DOI：

摘要

以车道线检测算法为例，对网络模型进行剪枝优化。首先，对模型进行正则化，初步提高模型参数的稀疏度。之后，建立以准确率变化量和模型参数变化量为目标的多目标优化函数，通过调节准确率变化权重系数和压缩权重系数得到不同目标下的最优模型。在剪枝过程中，按卷积层深度对各层设置不同的阈值系数，最后对优化后的模型进行重新训练得到最终模型。实验结果表明：准确率优先的优化模型在车道线检测数据集的准确率为92.47%

模型压缩比为42.8%;响应速度优先的优化模型在车道线检测数据集的准确率为90.75%

模型压缩比例为67.3%。根据不同的场景需求，算法能够有效地得到不同效果的剪枝优化模型。

Abstract

关键词

Keywords

references

无人驾驶深度学习模型组合剪枝算法[J]. 赵丽君;周永军;汤小红;蒋淑霞;董寅宾;廖慕钦.传感器与微系统,2021(03)

智能汽车中人工智能算法应用及其安全综述[J]. 翟强;程洪;黄瑞;詹慧琴;赵洋;李骏.电子科技大学学报,2020(04)

基于改进卷积神经网络的快速车辆检测[J]. 朱锋彬;应娜.传感器与微系统,2018(12)

用于神经网络权值稀疏化的L_(1/2)正则化方法[J]. 吴微;杨洁.中国科学:数学,2015(09)

路面车辆的视觉检测方法[J]. 缪小冬;李舜酩;沈峘;刘建娅;安木金.传感器与微系统,2010(02)

Pruning Filters for Efficient ConvNets.[J]. Hao Li;Asim Kadav;Igor Durdanovic;Hanan Samet;Hans Peter Graf.CoRR,2016

Network Trimming: A Data-Driven Neuron Pruning Approach towards Efficient Deep Architectures.[J]. Hengyuan Hu;Rui Peng;Yu-Wing Tai;Chi-Keung Tang.CoRR,2016

浏览量

250

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于智能AI的传感器应用

一种新型注意力机制的双人交互行为识别方法

面向校园场景视频监控的人体行为识别方法

基于深度学习的散斑图应变场测量

基于双通道图卷积网络的人体行为识别方法