19、交通标志分类：数据集准备与卷积神经网络架构

交通标志分类：数据集准备与卷积神经网络架构

1. 数据集准备

在处理交通标志分类问题时，数据集的准备是至关重要的一步。以下是一些常见的数据集准备技术：
- 其他增强技术 ：除了常见的数据增强方法外，还有许多其他技术可用于扩充数据集，例如对比度拉伸、直方图均衡化、对比度归一化、旋转和剪切等。根据具体应用，还可以设计新的算法来合成新图像和扩充数据集。
- 静态与动态增强 ：有两种扩充数据集的方法。
- 静态增强 ：处理数据集中的所有图像，使用上述方法合成新图像，然后将合成的图像存储在磁盘上。最后，创建一个文本文件，包含原始图像和合成图像的路径以及它们的类别标签，传递给网络定义文件中的 ImageData 层。这种方法会显著增加磁盘空间的需求。
- 动态增强 ：在网络定义文件中创建一个 PythonLayer，该层连接到数据库并将图像加载到内存中。然后，使用上述方法合成加载的图像并输入到网络中。这种方法不需要额外的磁盘空间，并且在添加新的图像合成方法时，不需要重新处理数据集并存储在磁盘上。然而，如果将合成的图像直接连接到小批量中，会显著增加小批量的大小。为了缓解这个问题，可以通过随机选择合成方法或从原始和合成图像池中随机选择 N 个图像来填充大小为 N 的小批量，以保持小批量大小不变。
- 不平衡数据集 ：在收集交通标志图像时，不同类别的样本数量可能会有很大差异，导致数据集不平衡。例如，“限速 90”标志的图像可能非常频繁，而“前方有雪危险”标志的图像可能非常稀少。在不平衡数据集上训练的分