《表1 不同时间阈值下的精确度和召回率数值》

  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

《基于改进神经网络的交通标志识别》

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

使用YOLOv 2模型及GTSDB数据集预训练本文的检测网络，预训练模型可以明显缩短训练时间。考虑到YOLO算法所需输入的大小固定，本文将不同尺度的图像调整为608pixel×608pixel的均匀尺寸。在损失函数中，GTSDB有三个标记类，所以c=3。本文设置边界框数α=5，网格数S=19。最后，得到了19×19×40张量的预测值。c类的索引应该从0开始到2，否则在训练期间会出现非数字的问题。在训练过程中，学习率的初始值为0.0001。观察损失的下降趋势，如果发现损失稳定在大于1的值，则将学习率改变为0.001。表1显示了本文方法的精度和召回的数值。随着识别时间t的增加，精确度越高，召回率越低。当t=0.4或t=0.5时，模型的整体性能更高效且更稳健。