42、深度学习在智能交通系统与冰川监测中的应用

深度学习在智能交通系统与冰川监测中的应用

1. 智能交通系统中的深度学习应用

1.1 CNN 在智能交通系统中的应用

CNN 在图像和视频的目标分类与识别方面取得了显著成就，因此在智能交通领域得到了广泛应用：
- 交通标志识别 ：
- 研究人员对传统 CNN 层进行了部分修改，以提高标志识别的准确性。例如，有研究将 CNN 进行改造，分别将两个阶段的输出输入到分类器中，为分类器提供可变尺度的特征。
- 为了加快检测速度，有的研究实现了一个带有固定滤波器的层，用于定位图像中最可能包含交通标志的特定区域。
- 还有 CNN 模型借鉴支持向量机的铰链损失思想，提出了一种新的成本函数，使 CNN 更好地关注误分类的训练样本。
- 分层 CNN 通过将复杂问题划分为子集，在交通标志识别方面取得了改进，并且由于聚类算法的特性，整个训练过程可以以无监督的方式进行，避免了手动标记带来的误差。
- 移动目标检测 ：
- Liu 等人采用 CNN 检测预处理视频图像中的乘客，以预测人群流量。
- 全卷积神经网络被用于对 3D 范围扫描数据进行检测任务，并在自动驾驶系统中进行了实验。
- Chen 等人通过修改深度卷积神经网络（DCNN），将 DCNN 的最后一层划分为具有不同大小卷积滤波器和池化场的块，以提取多尺度特征。
- 交通回归问题 ：研究人员使 CNN 能够同时捕捉道路网络中的空间和时间特征。通过从交通网络生成图像或交通流量矩阵，进行二维卷积和池化操作，挖掘道路段的时空关系。