複雑な交通シナリオにおける天気認識の精度を向上させつつ、ネットワークの軽量化を実現するために、改良されたConvNeXtネットワークと知識蒸留を組み合わせた天気認識手法を提案した。まず、ConvNeXtネットワークの各ブロック特徴抽出後にSimAm注意機構を追加してConvNeXt_Fネットワークを構築し、SimAm注意機構を用いてブロックで抽出された深層特徴の重みを識別・補正することで、天気識別に有効な特徴の捉えやすさを強化した。次に、ネットワークの訓練過程でEqualized Focal Loss（EFL）とMutual-Channel Loss（MCL）を平均割合で加算し、総損失関数とした。一方でEFLはデータの不均衡の影響を除去し、他方でMCLは同類天気内の局所的な細部特徴の差異を減少させる。最後に知識蒸留技術を用いて、ConvNeXt_Fネットワークから軽量なMobileNetV3ネットワークへ天気分類の知識を移行した。精度はやや低下したものの、ネットワークのパラメータ数は大幅に削減された。実験結果は、本手法が本研究で構築した寧夏高速道路シナリオの天気データセットweather-trafficおよび公開されている自然天気データセットRSCM2017において、それぞれ96.22%、84.8%の精度を達成し、FPSはそれぞれ157.6 Hz、137.6 Hz、FLOPsとParamsはそれぞれ0.06 Gと2.54 Mに留まることを示し、認識精度・速度・ネットワークの軽量化が元のネットワークに比べて改善されており、記憶・計算能力が限られた実用シーンでの応用に適していることを示した。

天気認識;ConvNeXtネットワーク;注意機構;知識蒸留