Para melhorar a precisão do reconhecimento do clima em cenários de tráfego complexos, ao mesmo tempo que se alcança a leveza da rede, foi proposta uma metodologia de reconhecimento do clima que combina a rede ConvNeXt aprimorada com a destilação de conhecimento. Primeiramente, o mecanismo de atenção SimAm foi adicionado após cada bloco de extração de características na rede ConvNeXt para construir a rede ConvNeXt_F, utilizando este mecanismo para autenticar e corrigir os pesos das características profundas extraídas pelos blocos, fortalecendo eficazmente a capacidade de capturar características discriminativas do clima; em seguida, durante o treinamento da rede, a Equalized Focal Loss (EFL) e a Mutual-Channel Loss (MCL) foram somadas em proporções iguais para formar a função de perda total, onde a EFL elimina o impacto do desequilíbrio dos dados e a MCL reduz as diferenças dos detalhes locais dentro da mesma categoria climática; por fim, a destilação de conhecimento foi usada para transferir o conhecimento da classificação climática da rede ConvNeXt_F para a rede leve MobileNetV3, embora com uma leve perda de precisão, a quantidade de parâmetros da rede foi significativamente reduzida. Os resultados experimentais mostraram que o método proposto alcançou acurácias de 96,22% e 84,8% nos conjuntos de dados de clima-tráfego da rodovia Ningxia construído neste estudo e no conjunto de dados público de clima natural RSCM2017, respectivamente, com FPS de 157,6 Hz e 137,6 Hz, e FLOPs e Params de apenas 0,06 G e 2,54 M, melhorando a precisão, velocidade e leveza da rede em comparação com a rede original, tornando-o mais adequado para aplicação em cenários práticos com capacidade limitada de armazenamento e computação.

reconhecimento do clima;rede ConvNeXt;mecanismo de atenção;destilação de conhecimento