MAT-CNN-SOPC：基于可编程片上系统的卷积神经网络静态交通分析
计算机视觉与模式识别
2018-08-16 v2
摘要
智能交通系统（ITS）已成为现代“智慧城市”框架的重要支柱，其要求机器的智能参与。交通负载识别可归为此类系统中一个重要且具有挑战性的问题。近来，卷积神经网络（CNN）模型因准确的预测能力在诸多领域如天气分类、通过图像检测侵犯人权行为等引起了相当多的关注。本工作解决了可编程片上系统（SOPC）平台上的真实交通负载识别问题，并将其命名为 MAT-CNN-SOPC，其使用了一种针对已知环境的 CNN 智能再训练机制。所提方法能够将方法效能相较最先进水平提升 2.44 倍，并通过实验分析得到验证。我们还引入了一个数学方程，能够基于特定应用实现来量化不同 CNN 模型相互间的适用性。
引用
@article{arxiv.1807.02098,
title = {MAT-CNN-SOPC: Motionless Analysis of Traffic Using Convolutional Neural Networks on System-On-a-Programmable-Chip},
author = {Somdip Dey and Grigorios Kalliatakis and Sangeet Saha and Amit Kumar Singh and Shoaib Ehsan and Klaus McDonald-Maier},
journal= {arXiv preprint arXiv:1807.02098},
year = {2018}
}
备注
6 pages, 3 figures, 2 tables