本研究利用空间金字塔池化(Spatial Pyramid Pooling,SPP)和全局平均池化(Global Average Pooling,GAP)优化传统的AlexNet架构,并将其应用于无人驾驶汽车的视觉识别系统中.这项研究旨在提高无人驾驶车辆通过摄像头感知环境的准确性和效率.首先,笔者对AlexNet算法进行了改进,集成了SPP和GAP.SPP的引入使网络能够更有效地处理不同尺寸的图像,得到改进的AlexNet-SG网络,从而捕捉更多的空间信息.GAP的应用减少了模型的参数数量,从而降低了过拟合的风险并加快了训练速度.这些改进不仅增强了模型的泛化能力,还提高了网络对复杂场景的识别能力.本研究使用真实世界的交通环境数据对改进后的模型进行了测试,实验涵盖了多种交通场景,包括直车道、弯车道、人行道等.研究结果表明,AlexNet-SG在处理复杂交通场景时的表现明显优于原始模型,特别是在识别距离和准确率方面取得了显著提升.
NETL
NSTL
万方数据
