《表7 与经典算法对比：深度特征重构与权重分配的交通标志识别算法》

  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

本文方法分别与GABOR+LBP+HOG多特征融合[20]，人眼直接识别[21]，Committee of CNNS，Multi-Scale-CNN[5]，CNN+KELM[22]，加入空间变换网络没有重构CNN特征，加入重构特征的Res Net等方法进行对比，结果如表7所示，除了前面两种方法，其余方法都是采用深度学习的方法识别交通标志．本文在GTSRB数据集上的结果在这几个经典算法中，识别效果仅次于CNN+LELM算法．其中，CNN+ELM方法中加入不同颜色空间信息，识别率高达99.54%．Committee of CNNS方法虽然获得图像的识别率达到99.17%，但训练时间过长，很难达到实时性要求．其他经典算法的识别率均低于99%．本文方法迭代1次训练过程只需要30s，虽然STN+CNN网络模型迭代1次所需要时间为20s，但是该网络模型远低于STN+重构特征方法的识别效果．因此，本文提出的基于重构特征与权重分配的交通标志的识别在识别的准确度以及识别图像的效率都有着一定的优势．