21、交通标志分类网络评估与分析

交通标志分类网络评估与分析

1. 网络性能基准测试

在交通标志分类任务中，不同的卷积神经网络（ConvNet）表现各异。对Aghdam等人（2016a）的网络及其紧凑版本，以及Jin等人（2014）的网络进行了基准测试，通过运行每个ConvNet的前向传播200次并计算平均完成时间，得到如下结果：
| 网络 | CPU时间（ms） | GPU时间（ms） |
| — | — | — |
| Aghdam等人（2016a） | 12.96 | 1.06 |
| Aghdam等人（2016a）（紧凑） | 12.47 | 1.03 |
| Jin等人（2014） | 14.47 | 1.45 |
| Aghdam等人（2016a）集成 | 64.8 | 5.30 |
| Aghdam等人（2016a）集成（紧凑） | 24.94 | 2.06 |
| Jin等人（2014）集成 | 289.4 | 29.0 |

从这些数据可以看出，紧凑版本的网络在CPU和GPU上的运行时间都相对较短，说明其在计算效率上具有一定优势。而集成网络的运行时间会根据网络数量的不同而增加。

2. 分类精度与召回率

对Aghdam等人（2016a）的网络进行了类特定的精度和召回率计算，结果涵盖了43个交通标志类别。部分类别结果如下表所示：
| 类别 | 精度 | 召回率 | 支持样本数 |
| — | — | — | — |
| 0 | 1.00 | 1.00 | 60 |
| 1 | 1.00 | 1.00 | 720 |
| 2 | 1.00 | 1.00