20、交通标志分类中的卷积神经网络与集成学习

交通标志分类中的卷积神经网络与集成学习

1. 交通标志分类的卷积神经网络优化

在交通标志分类任务中，对卷积神经网络（ConvNets）进行优化是提高分类性能的关键。通过t - SNE方法对特征图进行二维嵌入可视化，发现经过第三次池化层后，各类别能够得到较好的分离。这表明，若省略第一个全连接层，分类层仍有可能准确区分各类别。因为第一个全连接层并没有显著提高类别的区分度，只是在低维空间中重新排列了类别，主要影响样本的类间分布。

基于此，可以从网络中舍弃第一个全连接层及其后续的Leaky ReLU层，将第三次池化层直接连接到丢弃层，得到更紧凑的网络结构。从优化角度看，这将参数数量从1,123,449减少到531,999，与其他方法相比，分别实现了65%、63%和54%的参数减少。

1.1 优化前后网络对比

网络类型	参数数量	与其他方法参数减少比例
原始网络	1,123,449	-
紧凑网络	531,999	与Ciresan等(2012a)相比65%，与Sermanet和Lecun(2011)相比63%，与Jin等(2014)相比54%

1.2 优化过程流程图