《表2 几种交通标志识别方法的性能参数比较》

  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

《基于迁移学习的交通标志识别》

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

本文对几种交通标志识别方法的性能参数进行了比较，如表2所示，SVM、KNN在训练时间上有比较大的优势，但是训练、预测准确率比较低，这是由于传统的特征提取算法对于图像深度信息提取不足导致的。DNN、CNN方法相对于SVM、KNN在训练、预测准确率上有较大的提升，主要是由于DNN、CNN深度模型自动提取图像深度信息要优于传统的图像提取特征的方法，但是这类方法对数据量的依赖极大。本文实验均在微量数据下进行，相比DNN、CNN方法，本文提出的MTL方法的训练准确率、预测准确率明显提高。相比其他4种方法，MTL在训练准确率、预测准确率上有明显的优势，训练准确率达到99.02%，测试准确率达到96.83%，本方法训练的时间是3744 s，在模型训练上要比其他方法略长，但是这个问题完全可以通过线下训练来解决。总而言之，通过比较，本文使用的MTL方法能够较好地解决在微量数据下的交通标志识别，MTL的预测精度要远远高于DNN、CNN，表明从ImageNet数据集上预训练好的Inceptionv3模型进行特征迁移有更好的泛化能力。