7、自动交通标志识别与分类模型解析

自动交通标志识别与分类模型解析

1. 相关研究概述

在交通标志识别与分类领域，众多学者提出了不同的方法和模型：
- VGG - 19 相关实现 ：有研究建议采用 VGG - 19 进行实现，并从分类准确性和预测速度等方面进行了研究。
- 改进的 Sparse R - CNN ：Cao 等人改进了受 Transformer 启发的 Sparse R - CNN 神经网络模型。
- CNN 和 DCNN 分类技术 ：K. Prakash 提出一种分类技术，运用了 CNN 和 DCNN，并使用 VGG16、VGG19 和 AlexNet 实现模型。
- 轻量级 CNN 模型 ：Haque 等人提出了无需 GPU 的简单 CNN 模型用于交通标志识别，该模型具有输入处理、学习和预测三个模块的深度薄架构。
- 随机森林分类器方法 ：Ellahyani 等人提出结合 HOG 和 LSS 特征，为随机森林分类器快速选择观察候选的方法。
- .NET 框架下的工具盒 ：Jacopo Credi 使用 Conv.NET，这是在.NET 框架内创建深度学习轻量级工具盒的首次尝试，利用 Open CLTM 进行异构并行计算。
- 改进的交通标志识别技术 ：Hatolkar 等人提出改进的道路交通标志识别技术，通过安装在汽车上的摄像头捕获短的低质量视频，使用模糊分类模块优化 CNN 结果。
-