52、交通标志识别与脑肿瘤分类的深度学习模型研究

交通标志识别与脑肿瘤分类的深度学习模型研究

交通标志识别模型对比分析

交通标志的识别对于自动驾驶和交通安全至关重要。研究人员收集了约2000张代表13种不同类型孟加拉国交通标志的照片，并使用多种数据增强方法将数据集大小增加到8386张图像。然后，使用迁移学习和微调方法在该数据集上训练了九个深度学习模型，并对结果进行了比较。

在迁移学习方面，分别运行九个预训练模型，并详细记录训练和验证结果。从表2可以看出各模型的表现：
| 模型名称 | 训练准确率 | 验证准确率 |
| — | — | — |
| ViT | 0.9754 | 0.9792 |
| VGG19 | 0.9337 | 0.9706 |
| NASNetLarge | 0.9622 | 0.9457 |
| Xception | 0.9610 | 0.9567 |
| DenseNet201 | 0.9747 | 0.9876 |
| InceptionV3 | 0.9368 | 0.9455 |
| EfficientNetB2 | 0.4473 | 0.4935 |
| ResNet101 | 0.7705 | 0.7838 |
| MobileNetV2 | 0.9737 | 0.9675 |

其中，DenseNet201的验证准确率最高，达到98.76%，表现最佳；而EfficientNetB2的验证准确率最低，仅为49.35%。

在微调方面，九个模型的泛化能力都很好且较为相似。从表3可以看到各模型的情况：
| 模型名称 | 训练准确率 | 验证准确率 |
|