3、交通标志检测与识别及模式分类技术解析

交通标志检测与识别及模式分类技术解析

交通标志检测与识别中的卷积神经网络

在交通标志分类领域，卷积神经网络（ConvNets）得到了广泛应用。在德国交通标志识别基准（GTSRB）竞赛中，Ciresan 等人（2012）设计的 ConvNets 集成表现出色，正确分类了 99.46% 的测试图像，超越人类表现并赢得竞赛。Sermanet 和 Lecun（2011）的 ConvNet 获得第二名，分类准确率为 98.97%，而基于传统分类方法的第三名准确率为 97.88%。

方法	参数数量	激活函数	分类准确率
Ciresan 等人（2012）	每个网络 1,543,443 个参数，25 个网络集成	双曲激活函数	99.46%
Sermanet 和 Lecun（2011）	1,437,791 个参数	修正的 Sigmoid 函数	98.97%

不过，这两种方法都存在算术运算数量多的问题，使用了计算量较大的激活函数。为缓解这些问题，Jin 等人（2014）提出了一种新架构，包含 1,162,284 个参数，使用修正线性单元（ReLU）激活函数，并在每个激活层后添加局部响应归一化