面向交通标志识别的二值化神经网络架构设计

交通标志保障道路安全并管理交通流，因此是任何自动驾驶视觉系统不可或缺的组成部分。尽管深度学习因使用卷积神经网络（CNNs）在交通标志分类中取得高精度（当前最优为 99.46%）而广为人知，但关于二值化神经网络（BNNs）的了解甚少。与 CNNs 相比，BNNs 减小了模型规模并简化了卷积运算，并在自动驾驶场景中出现的计算受限和能量受限设备上展现出有前景的结果。本文提出一种自底向上的 BNNs 架构设计方法，通过研究组成层的特点来实现。这些组成层（二值化卷积层、最大池化、批量归一化、全连接层）在使用德国交通标志识别基准（GTSRB）进行训练时，以多种组合以及不同的核大小、滤波器数量和神经元数量被研究。结果，我们提出了在 GTSRB 上达到超过 $90\%$（最高为 $96.45\%$），并在考虑比利时和中国数据集进行测试时平均超过 $80\%$（最高为 $88.99\%$）的 BNNs 架构。这些架构的参数数量从 10 万到少于 200 万不等。本文的配套材料公开于 https://github.com/apostovan21/BinarizedNeuralNetwork。