《表3 应用不同Dropout Ratio的准确率》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的交通标志识别算法研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了解决过拟合的问题，避免模型学习一些毫无相关性的特征，采用了Dropout方法。从表3可以发现，在卷积层和池化层分别设置Dropout Ratio为0.90后，准确率相比之前最好的93.33%有了0.89%的提升。然后，保持卷积层Dropout Ratio的数值不变，不断减小池化层Dropout Ratio的数值，当池化层Dropout Ratio降到0.40后，相比之前的结果变得更差，所以，取它的上一个结果，即池化层Dropout Ratio的值为0.50。同理，保持池化层Dropout Ratio为0.50，不断改变卷积层的Dropout Ratio的值，最终，取最好的结果，即卷积层Dropout Ratio为0.75，池化层Dropout Ratio为0.50。本文提出的TSR＿Lenet模型获得了一个非常好的效果，准确率达到了99.56%。与同领域其他文献的方法相比，本文提出的TSR＿Lenet模型要优于这些文献所提出的方法。根据表4，本文提出的TSR＿Lenet方法在类别Danger，Prohibitory上优于文献[14]、文献[16]的MH NN和文献[18]中提出的方法，与文献[15]、文献[16]MH AL和文献[17]中提出的方法持平；在类别Mandatory上也获得了接近最好的结果，与文献[17]方法相比较低了1.19%。