An Enhanced Low-Resolution Image Recognition Method for Traffic Environments

要約

現在、低解像度の画像認識は、インテリジェントな交通認識の分野で重大な課題に直面しています。
高解像度画像と比較すると、低解像度画像はサイズが小さく、品質が低く、詳細が欠如しているため、従来のニューラル ネットワーク認識アルゴリズムの精度が著​​しく低下します。
低解像度画像認識の鍵は、効果的な特徴抽出にあります。
したがって、このペーパーでは、残差モジュールの基本的な次元と、それが特徴抽出と計算効率に及ぼす影響について詳しく説明します。
実験に基づいて、残差ネットワークの基本アーキテクチャと共通特徴部分空間アルゴリズムを活用するデュアルブランチ残差ネットワーク構造を紹介します。
さらに、中間層機能の利用を組み込んで、低解像度画像認識の精度を高めます。
さらに、ネットワークパラメータと計算オーバーヘッドを削減するために、知識の蒸留を採用しています。
実験結果により、交通環境における低解像度画像認識に対するこのアルゴリズムの有効性が検証されました。

要約(オリジナル)

Currently, low-resolution image recognition is confronted with a significant challenge in the field of intelligent traffic perception. Compared to high-resolution images, low-resolution images suffer from small size, low quality, and lack of detail, leading to a notable decrease in the accuracy of traditional neural network recognition algorithms. The key to low-resolution image recognition lies in effective feature extraction. Therefore, this paper delves into the fundamental dimensions of residual modules and their impact on feature extraction and computational efficiency. Based on experiments, we introduce a dual-branch residual network structure that leverages the basic architecture of residual networks and a common feature subspace algorithm. Additionally, it incorporates the utilization of intermediate-layer features to enhance the accuracy of low-resolution image recognition. Furthermore, we employ knowledge distillation to reduce network parameters and computational overhead. Experimental results validate the effectiveness of this algorithm for low-resolution image recognition in traffic environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google