文献类型：期刊文章

作　　者：马永杰[1] 程时升[1] 马芸婷[1] 马义德[2]

MA Yong-jie;CHENG Shi-sheng;MA Yun-ting;MA Yi-de(College of Physics and Electronic Engineering,Northwest Normal University,Lanzhou 730070,Gansu,China;School of Information Science and Engineering,Lanzhou University,Lanzhou 730030,Gansu,China)

机构地区：[1]西北师范大学物理与电子工程学院,甘肃兰州730070 [2]兰州大学信息科学与工程学院,甘肃兰州730030

出　　处：《交通运输工程学报》

基　　金：国家自然科学基金项目(62066041)。

年　　份：2021

卷　　号：21

期　　号：4

起止页码：48-71

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：从特征传输方式、空间维度、特征维度3个角度,论述了近年来卷积神经网络结构的改进方向,介绍了卷积层、池化层、激活函数、优化算法的工作原理,从基于值、等级、概率和转换域四大类总结了近年来池化方法的发展,给出了部分具有代表性的激活函数对比、梯度下降算法及其改进型和自适应优化算法的工作原理和特点;梳理了卷积神经网络在车牌识别、车型识别、交通标志识别、短时交通流预测等智能交通领域中的应用和国内外研究现状,并将卷积神经网络算法与支持向量机、差分整合移动平均回归模型、卡尔曼滤波、误差反向传播神经网络、长短时记忆网络算法从优势、劣势和在智能交通领域的主要应用场景三方面进行了对比;分析了卷积神经网络在智能交通领域面临的鲁棒性不佳和实时性较差等问题,并从算法优化、并行计算层面和有监督学习到无监督学习方向研判了卷积神经网络的发展趋势。研究结果表明:卷积神经网络在视觉领域具有较强优势,在智能交通系统中主要应用于交通标志、车牌、车型识别、交通事件检测、交通状态预测;相比其他算法,卷积神经网络所提取的特征更加全面,有效地提高了识别准确度与速度,具有较大的应用价值;卷积神经网络未来将通过网络结构的优化、算法的改进、算力的提升以及基准数据集的增强,为智能交通带来新的突破。

关 键 词：交通信息 深度学习  卷积神经网络 智能交通 网络结构 图像识别 研究进展  

分 类 号：U495[物流管理与工程类]