基于轻量型卷积神经网络的非固定场景天气识别算法

摘要：

针对传统方法无法准确识别天气情况且计算量大的问题提出了一种基于轻量型卷积神经网络的非固定场景天气图像分类方法.该方法应用扩张卷积和深度分离卷积来提取天气特征信息,采用残差结构来防止网络退化,并且采用改进的空间金字塔池化层实现多尺寸图片的处理.经验证,所提方法可以对不同尺寸的非固定场景天气图片进行分类,在构建出的数据集上相对于经典分类卷积神经网络以196 M的计算量获得93.2％的准确率.所提方法一定程度上可以准确识别非固定场景的天气情况,并且具有应用到嵌入式平台上的前景.

关键词：卷积神经网络、扩张卷积、深度可分离卷积、非固定场景、轻量型、多尺寸

所属期刊栏目：42

分类号：TN911.73

在线出版日期：2019-11-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：152-156