交通标志识别实现98%准确率，只因使用了深度学习算法？

在论文中，作者根据层类型的不同应用不同概率值进行丢弃。因此，我决定采用类似的方法，定义两个级别的dropout，一个用于卷积层，另一个用于完全连接层：

此外，随着进入到更深层次的网络，作者逐渐开始采用更积极的dropout值。所以我也决定这样：

这样做的原因是，我们把网络看作是一个漏斗，当我们深入到层中时，希望逐渐收紧它：我们不想在开始的时候丢弃太多的信息，因为其中的一些相当有价值。此外，在卷积层中应用MaxPooling的时候，我们已经失去了一些信息。

我们尝试过不同的参数，但最终结果是_p-conv = 0.75_和_p-fc = 0.5_，这使得我们可以使用3x3的模型在归一化灰度图上实现97.55％的测试集准确率。有趣的是，我们在验证集上的准确率达到了98.3％以上：

引入dropout算法后，在灰度归一化图像上的模型性能

上面的图表显示，这个模型更为_平滑_。我们已经在测试集上实现了准确率超过93％这个目标分数。下面，我们将探索一些用于处理每一个点的技术。

直方图均衡化
直方图均衡化是一种计算机视觉技术，用于增强图像的对比度。由于一些图像受到了低对比度（模糊、黑暗）的影响，因此我们将通过应用OpenCV的对比度限制自适应直方图均衡来提高可视性。

我们再次尝试了各种配置，并找到了最好的结果，**测试精度达到了97.75％**，在3x3的模型上使用以下dropout值：_p-conv = 0.6_，_p-fc = 0.5_。

尽管做了直方图均衡化，但有些图像仍然非常模糊，并且有些图像似乎是失真的。在我们的测试集中没有足够的图像示例来改进模型的预测。另外，虽然97.75％的测试准确率已经相当不错，但我们还有另外一个杀手锏：数据增强。

数据增强
我们在早些时候曾经发现，43个种类的数据明显不平衡。然而，它似乎并不是一个棘手的问题，因为即使这样，我们也能够达到非常高的准确度。我们也注意到测试集中有一些图像是失真的。因此，我们将使用数据增强技术来尝试：

扩展数据集，并在不同的照明条件和方向上提供其他图片

提高模型的通用性

提高测试和验证的准确性，特别是对失真的图像

我们使用了一个名为imgaug的库来创建扩展数据。我们主要应用仿射变换来增强图像。代码如下：

虽然种类数量的不平衡可能会在模型中引入偏差，但我们决定在现阶段不解决这个问题，因为这会导致数据集数量的增加，延长训练时间。相反，我们决定为每个种类增加10％的图像。我们的新数据集如下。

图像的分布当然不会发生显著的变化，但是我们确实对图像应用了灰度化、直方图均衡化，以及归一化等预处理步骤。我们训练2000次，附加dropout算法（_p-conv = 0.6_，_p-fc = 0.5_），并在测试集上达到**97.86％的准确率：**

这是迄今为止最好的结果!!!

但是，看看训练集上的损失指标，0.0521，我们很有可能还有一些改进的空间。未来，我们将执行更多的训练次数，我们会报告最新成果的。

结论
本文探讨了如何将深度学习应用于分类交通标志，其中包含了各种预处理和归一化技术，以及尝试了不同的模型架构。我们的模型在测试集上达到了接近98％的准确率，在验证集上达到了99％的准确率。你可以在这里访问代码库。