22、交通标志分类卷积神经网络的评估与优化

交通标志分类卷积神经网络的评估与优化

1. 网络评估

1.1 线性变换的影响

在处理图像数据时，我们发现部分图像存在光照不佳的问题。为了解决这个问题，采用了线性变换层。该层通过为每个通道乘以不同的常数因子，并加上不同的截距，来增强输入图像的光照效果。需要注意的是，每个通道都有独特的变换函数，这与对所有通道应用相同的线性变换函数不同。因为对所有通道应用相同的线性变换函数，除非导致像素强度超出限制，否则不会影响下一层卷积滤波器的结果。而在这个卷积神经网络中，为每个通道应用不同的变换函数会影响后续卷积层的输出。通过这种方式，变换层学习线性变换的参数，从而提高分类准确率。

1.2 可视化分析

可视化卷积神经网络有助于在不同情况下理解它们。下面介绍几种可视化分析的方法：
- 可视化敏感性
- 步骤：
1. 选取一张能被卷积神经网络正确分类的纯净图像。
2. 从窗口大小为图像大小的 20% 开始，在图像上滑动该窗口。
3. 在每个位置，对窗口下的区域添加噪声进行降解，并计算图像的分类分数。
4. 重复上述步骤 20 次，计算平均矩阵 $\overline{H_c}$ 和平均图像。
- 结果：卷积神经网络主要对交通标志中象形图的小部分区域敏感。例如，对于限速低于 100 的标志，主要对第一位数字的部分区域敏感；“限速 100” 的标志，分数受全部三个数字的影响；“限速 120” 的标志，分数主要取决于第二位数字。同时，像 “让路” 和 “禁止进入” 等标志，无论降解区域的位置如何，分类分数都会受到影响。将窗口大小增加到 40% 后，之前对于 20% 窗口大小的