使用深度學習算法識別交通標志實現98%準確率
大小：未知 人氣：2 2017-11-22 需要積分：1
交通標志是道路基礎設施的重要組成部分，它們為道路使用者提供了一些關鍵信息，并要求駕駛員及時調整駕駛行為，以確保遵守道路安全規定。如果沒有交通標志，可能會發生更多的事故，因為司機無法獲知最高安全速度是多少，不了解道路狀況，比如急轉彎、學校路口等等。現在，每年大約有130萬人死在道路上。如果沒有這些道路標志，這個數字肯定會更高。
當然，自動駕駛車輛也必須遵守交通法規，因此需要_識別_和_理解_交通標志。
從傳統上來說，可以使用標準的計算機視覺的方法來對交通標志進行檢測和分類，但同時也需要耗費相當多的時間來手工處理圖像中的重要特征。現在，我們引入深度學習技術來解決這個問題。我們可以創建一個能夠對交通標志進行分類的模型，并且讓模型自己學習識別這些交通標志中最關鍵的特征。在這篇文章中，我將演示如何創建一個深度學習架構，這個架構在交通標志測試集上的識別準確率達到了98％。
項目設置
數據集可分為訓練集、測試集和驗證集，具有以下特點：
圖像為32（寬）×32（高）×3（RGB彩色通道）
訓練集由34799張圖片組成
驗證集由4410個圖像組成
測試集由12630個圖像組成
共有43個種類（例如限速20公里/小時、禁止進入、顛簸路等等）
此外，我們將使用Python 3.5與Tensorflow來編寫代碼。
圖像及其分布
你可以在下圖中看到數據集中的一些示例圖像，圖像的標簽顯示在相應行的上方。其中一些非常暗，稍后我們會調整它們的對比度。
訓練集中各個種類圖像的數量明顯不平衡，如下圖所示。某些種類的圖片少于200張，而其他的則有2000多張。這意味著我們的模型可能會偏向于代表性過高的種類，特別是當它的預測無法確定時。我們稍后會看到如何使用數據增強來緩解這個問題。
預處理步驟
我們首先要對圖像應用兩個預處理步驟：
灰度化
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
使用深度學習算法識別交通標志實現98%準確率下載
相關電子資料下載
- 兆芯推出基于KH-40000的深度學習訓推一體化解決方案 42
- ONNX是什么？ 75
- 無監督深度學習實現單次非相干全息3D成像 88
- NVIDIA Isaac Manipulator助力讓下一代機器人技術觸手可及 274
- 泰禾智能新品首發亮相2024安徽春季茶博會！ 129
- DeepMind推出AlphaFold 3，預測生命分子交互，開辟全新醫療領域 83
- 點亮深度學習技能？讓嵌入式平臺來點升級吧 165
- 聯發科等聯合發布生成式AI手機產業白皮書，預測2027年市場規模 68
- 智能駕駛大模型：有望顯著提升自動駕駛系統的性能和魯棒性 792
- 高光譜成像系統：深度學習機載高光譜影像樹種分類研究 406