《表3 算法结果对比：基于深度学习的交通标志检测系统仿真》

  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检测系统仿真》

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

训练中选用GTSDB数据集，加入同类型负样本，并作好训练阶段参数设置。首先设置Epoch为300，即模型训练300次，每次选取8张图片作为一个Batch传入网络训练。学习率对模型训练和神经网络优化有重要作用，学习率采用动态方式，迭代次数小于150时，学习率为0.000 01；迭代次数次大于200时，学习率为0.000 000 1。实验置信度超过0.5认为检测正确，低于0.5则认为检测错误。在训练阶段，采用一块Ge Force GTX1080训练模型，共迭代500轮后训练的损失函数和准确率如图5、图6所示。与其它基于深度学习的目标检测算法结果对比如表3所示[17]。训练过程中加入YOLOv2[15]和一阶段代表算法SSD[16]进行实验对比。