提升交通标志识别准确率的高准确性二进制神经网络的局部鲁棒性评估
研究比较卷积神经网络和二值神经网络在识别交通标志上的表现,提出了一种从底层进行二值神经网络架构设计的方法,并且在测试集上取得了高于 80% 的准确率。
Mar, 2023
本研究关注二值神经网络的训练精度问题,提出了一些新的设计原则,设计出了一种新的二值神经网络体系结构 BinaryDenseNet,并在 ImageNet 数据集上获得 18.6% 和 7.6% 的精度改进。
Jun, 2019
本文提出了一种基于 Binarized Neural Networks(BNNs)的验证技术(EEV),可以具有可比较的鲁棒性,并且通过使用一种策略来训练鲁棒性 BNNs,可以实现更快,更准确的验证。EEV 有效,通过在 MNIST 和 CIFAR10 数据集上展示非平凡卷积 BNN 的 L-inf-bounded 对抗性鲁棒性的首个确切验证结果可以进行性能优化。
May, 2020
在交通运输不断演进的背景下,汽车的普及使道路交通更加复杂,需要先进的视觉辅助技术来提高安全性和导航能力。本文提出了一种基于卷积神经网络的创新方法,实现了接近 96% 的准确率,突出了通过高级定位技术可以实现更高的精度,这不仅对交通标志识别技术的持续发展有所贡献,也强调了这些发展对道路安全和自动驾驶的未来的关键性影响。
Mar, 2024
本文提出了一种改进的训练方法来提高具有更高准确性的紧凑型二值化 CNN,其中可训练的权重和激活的比例因子被引入以增加值范围,并通过反向传播与其他参数一起进行训练。通过这些改进,与前人工作相比,本文二值化 CNN 在 CIFAR-10 上的准确度达到 92.3%,在 ImageNet 上,我们的方法用 AlexNet 获得 46.1%的 top-1 准确度,用 Resnet-18 获得 54.2%的 top-1 准确度。
Sep, 2019
本篇论文提出一系列工程技术来改善二值化神经网络的准确性,包括更合适的激活函数、反向初始化、渐进式量化、网络叠加等,并在人体姿态估计和 ImageNet 大规模图像识别任务中验证了其优越性。此外,还首次探讨了二值化神经网络和知识蒸馏相结合的效果。
Apr, 2019
本文提出了一种新的二进制神经网络构架 MeliusNet,采用 “密集块 + 改进块” 交替的方式可以增加特征容量和特征质量,通过在 ImageNet 数据集上的实验,证明了该构架可以在操作数、精度以及计算效率上大幅提高,代码已公开发布。
Jan, 2020
通过结合卷积网络和 Transformer 网络的优势,本研究提出了一种新型的模型用于交通标志识别,实验证明该模型在德国和波斯交通标志数据集上超过了纯 Transformer 模型和最佳卷积网络的准确率,并且在保持快速推理速度的同时,更适合实际应用。
Nov, 2023