基于改进深度学习的车辆道路场景识别

摘要：

为提高自动驾驶车辆对道路场景的识别效果,针对ReLU模型存在的神经元"坏死"问题,基于ReLU,结合Sigmoid模型提出了新的激活函数ReLU-Sigmoid.通过分析激活函数作用原理,给出激活函数设计要点并将Sigmoid和ReLU在x轴正、负半轴进行组合,优化了道路场景识别模型.在伯克利大学道路数据集上的实验表明,相比ReLU和LReLU模型,ReLU-Sigmoid模型有效提高了卷积神经网络对道路场景的识别准确率,从75.12％和67.15％提高到了83.70％,证明了算法可以提高深度学习模型对道路场景的识别性能并缓解神经元"坏死"现象,从而提高车辆对道路环境的感知能力.

关键词：车辆;场景识别;深度学习;激活函数设计;卷积神经网络

所属期刊栏目：59

分类号：TP391.41(计算技术、计算机技术)

在线出版日期：2021-11-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：88-93