《表6 交通标志在经典网络模型上的识别结果》

  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

《深度特征重构与权重分配的交通标志识别算法》

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

本文提出的STN+重构CNN特征的网络与let-5，Alexnet，VGG[18]，Google-net以及残差网络Res Net[19]等多个网络对交通标志识别效果进行对比，结果如表6所示．Let-5和Alexnet属于轻型CNN，优点是网络简单，能够快速完成图像的识别任务；缺点是模型过于简单，卷积特征表达能力不强，对于交通标志图像的识别率也只有87.26%和94.82%．VGG，Google-net，Res Net属于深层CNN，深度特征具有很强是非线性表达能力，其中，Res Net的识别率高达到98.28%，但这类网络往往训练时间较长．本文提出的方法，在CNN训练图像之前，加入STN空间变换，自适应对图像进行空间变换，消除图像的几何噪声和背景信息，只保留输入图像感兴趣的部分．为了防止过拟合以及无效特征的过度使用，对CNN特征进行重构，按照不同通道特征的重要程度，对特征分配权重，从空间维度上对网络特征进行选择，激励有效的特征，抑制无效的特征．因此，STN+重构CNN特征的方法识别效果达到99.32%，远高于其他一些经典的神经网络模型．