《表2 几种交通标志识别方法的性能参数比较》
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。
图表编号 | XD003250100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.11.18 |
作者 | 卢健、陈泽民、马成贤、何金鑫 |
绘制单位 | 西安工程大学电子信息学院、西安工程大学电子信息学院、西安工程大学电子信息学院、西安工程大学电子信息学院 |
更多格式 | 高清、无水印(增值服务) |