使用深度學(xué)習(xí)算法識別交通標志實現(xiàn)98%準確率

　我們可以創(chuàng)建一個能夠?qū)煌酥具M行分類的模型，并且讓模型自己學(xué)習(xí)識別這些交通標志中最關(guān)鍵的特征。在這篇文章中，我將演示如何創(chuàng)建一個深度學(xué)習(xí)架構(gòu)，這個架構(gòu)在交通標志測試集上的識別準確率達到了98％。
　　交通標志是道路基礎(chǔ)設(shè)施的重要組成部分，它們?yōu)榈缆肥褂谜咛峁┝艘恍╆P(guān)鍵信息，并要求駕駛員及時調(diào)整駕駛行為，以確保遵守道路安全規(guī)定。如果沒有交通標志，可能會發(fā)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(zhuǎn)彎、學(xué)校路口等等?，F(xiàn)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(shù)字肯定會更高。
　　
　　當然，自動駕駛車輛也必須遵守交通法規(guī)，因此需要_識別_和_理解_交通標志。
　　從傳統(tǒng)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?，F(xiàn)在，我們引入深度學(xué)習(xí)技術(shù)來解決這個問題。我們可以創(chuàng)建一個能夠?qū)煌酥具M行分類的模型，并且讓模型自己學(xué)習(xí)識別這些交通標志中最關(guān)鍵的特征。在這篇文章中，我將演示如何創(chuàng)建一個深度學(xué)習(xí)架構(gòu)，這個架構(gòu)在交通標志測試集上的識別準確率達到了98％。
　　項目設(shè)置
　　數(shù)據(jù)集可分為訓(xùn)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(xùn)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(shù)據(jù)集中的一些示例圖像，圖像的標簽顯示在相應(yīng)行的上方。其中一些非常暗，稍后我們會調(diào)整它們的對比度。
　　
　　訓(xùn)練集中各個種類圖像的數(shù)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(yù)測無法確定時。我們稍后會看到如何使用數(shù)據(jù)增強來緩解這個問題。
　　
　　預(yù)處理步驟
　　我們首先要對圖像應(yīng)用兩個預(yù)處理步驟：
　　灰度化