복잡한 교통 시나리오에서 기상 인식 정확도를 향상시키면서 네트워크 경량화를 실현하기 위해, 개선된 ConvNeXt 네트워크와 지식 증류를 결합한 기상 인식 방법을 제안하였다. 먼저, ConvNeXt 네트워크의 각 블록 특징 추출 후에 SimAm 주의 메커니즘을 추가하여 ConvNeXt_F 네트워크를 구축하였으며, SimAm 주의 메커니즘을 이용해 블록에서 추출한 심층 특징을 인증하고 가중치를 보정하여 기상 판별 특징 포착 능력을 효과적으로 강화하였다. 둘째, 네트워크 학습 과정에서 Equalized Focal Loss(EFL)와 Mutual-Channel Loss(MCL)를 평균 비율로 누적하여 총 손실 함수로 사용하였으며, EFL은 데이터 불균형의 영향을 제거하고 MCL은 동일 기상 내 국부 세부 특징 차이를 줄였다. 마지막으로, 지식 증류 기술을 사용해 ConvNeXt_F 네트워크에서 경량 MobileNetV3 네트워크로 기상 분류 지식을 이전하였으며, 정확도는 다소 감소했으나 네트워크 매개변수 수는 크게 감소하였다. 실험 결과, 제안된 방법은 본 논문에서 구축한 닝샤 고속도로 기상 데이터셋 weather-traffic과 공개 자연 기상 데이터셋 RSCM2017에서 각각 96.22%, 84.8%의 정확도를 달성하였고, FPS는 각각 157.6 Hz, 137.6 Hz이며 FLOPs와 Params는 각각 0.06 G와 2.54 M으로, 정확도, 속도, 네트워크 경량화 면에서 원래 네트워크 대비 모두 향상되어 저장 및 연산 능력이 제한된 실제 환경에 더 적합하다.

기상 인식;ConvNeXt 네트워크;주의 메커니즘;지식 증류