【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种基于优化神经网络模型的交通环境识别方法、装置、设备及介质。
技术介绍
1、目前深度神经网络已被广泛应用于图像分类领域，尤其在自动驾驶场景下，例如道路场景理解、障碍物检测、交通标志识别和驾驶行为分析等任务中，基于深度神经网络的图像分类模型成为实现智能感知与自动决策的核心工具。
2、但是深度神经网络在图像识别领域的应用主要依赖于传统的优化方法，现有的优化方法大多基于单一梯度路径进行优化，缺乏足够的全局探索能力，尤其在高度非线性或多极小值的损失结构中，容易陷入局部极值，限制了其在复杂交通环境的识别任务中的适用性和性能提升空间。因此，迫切需要一种基于优化深度神经网络模型对交通环境图像进行识别的方法以提高神经网络对于复杂交通环境进行识别的准确性和泛化能力。
技术实现思路
1、本申请的主要目的在于提供一种基于优化神经网络模型的交通环境识别方法、装置、设备及介质，旨在解决如何提高神经网络对于复杂交通环境进行识别的准确性和泛化能力的技术问题。
2...
【技术保护点】
1.一种基于优化神经网络模型的交通环境识别方法，其特征在于，所述方法应用于交通环境图像识别，包括：
2.如权利要求1所述的方法，其特征在于，所述将所述处理后的图像数据输入预设深度分类模型中，得到交通环境类别标签的步骤，包括：
3.如权利要求1所述的方法，其特征在于，所述基于所述原始参数进行计算，确定初始全局最优解和每个粒子的初始个体最优解的步骤，包括：
4.如权利要求1所述的方法，其特征在于，所述对每个粒子的所述原始参数施加锐度感知扰动进行计算，得到扰动后的梯度范数的步骤，包括：
5.如权利要求1所述的方法，其特征在于，...
【技术特征摘要】
1.一种基于优化神经网络模型的交通环境识别方法，其特征在于，所述方法应用于交通环境图像识别，包括：
2.如权利要求1所述的方法，其特征在于，所述将所述处理后的图像数据输入预设深度分类模型中，得到交通环境类别标签的步骤，包括：
3.如权利要求1所述的方法，其特征在于，所述基于所述原始参数进行计算，确定初始全局最优解和每个粒子的初始个体最优解的步骤，包括：
4.如权利要求1所述的方法，其特征在于，所述对每个粒子的所述原始参数施加锐度感知扰动进行计算，得到扰动后的梯度范数的步骤，包括：
5.如权利要求1所述的方法，其特征在于，所述根据所述扰动后的梯度范数对所述初始全局最优解和所述初始个体最优解按照预设要求进行更新，得到个体最优权重和全局最优权重的步骤，包括：
6.如权利要求1所述的方法，其特征在于，所述根据所述梯度、所述个体最优权重和所述全局最优权重通过协同神经动力学优化算法按照预设更新要...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。