本文探讨了自动驾驶汽车如何实现实时交通信号灯检测和分类，包括优化的R-CNN和Faster R-CNN在检测中的应用，以及双转移学习策略。在数据有限的情况下，通过预训练网络和Udacity、Bosch数据集进行训练。虽然取得了一定成果，但存在一些失败案例，如误分类。通过降低区域建议数量，提升了推理速度，达到实时性能。未来还需更多数据和训练以提高准确性。
# 深度学习 自动驾驶汽车 实现实时交通信号灯检测和分类
优化的R-CNN（https://arxiv.org/abs/1506.01497）
Google使用提取检测到的交通信号灯的方法，然后在该方法上运行第二个分类器。提供了灵活性;然而，根据实现的不同，它可能会增加管道复杂度和计算成本。更重要的是，它似乎依赖于对预期交通信号灯位置的先验信息。一般来说，将分类作为第二步添加第二个网络进行培训、测试等等。
检测交通信号灯的方法
Traffic Light Mapping and Detection [Google]
链接：https://pan.baidu.com/s/1c2cx4qs 密码：9p7q
https://static.googleusercontent.com/media/research.google.com/en//pubs/archive/37259.pdf
单镜头检测(SSD)，最后使用了Faster R-CNN
工具集（https://github.com/tensorflow/models）为测试模型提供了更快的周转时间，并准备好了预先训练的权重
最低0.47元/天 解锁文章
扫一扫
2万+
到【灌水乐园】发言
