platform

• win10
• caffe
• python27 (Anaconda2)

code download

DL_Note traffic_signs @ github

tutorial

• 參見 準(zhǔn)確率98%的深度學(xué)習(xí)交通標(biāo)志識(shí)別是如何做到的？

get data

下載traffic sign dataset

數(shù)據(jù)預(yù)覽

在 GTSRB_Final_Training_Images\GTSRB\Final_Training\Images中共 43 類對(duì)象（文件夾），且每種標(biāo)記的圖片數(shù)不一致, 約為 221~2221, 圖片格式為 .ppm,可以使用 XnView 預(yù)覽。且每種對(duì)象提供不同分辨率、角度、清晰度和曝光的圖片，因此每中對(duì)象中有不同的分類

樣本分布

不同類別交通標(biāo)記

不同類別的拍照條件

圖片預(yù)處理

需要調(diào)整

• 灰度化
• 歸一化，圖像預(yù)處理認(rèn)為圖片數(shù)據(jù)默認(rèn)是在 0~255 之間不需要?dú)w一化，《機(jī)器學(xué)習(xí)系統(tǒng)設(shè)計(jì)》一書中說，減去均值的均一化能夠適應(yīng)不同的光照條件
• 直方圖調(diào)整等前處理操作，（后續(xù)）

將圖像導(dǎo)入到 lmdb 數(shù)據(jù)庫

數(shù)據(jù)轉(zhuǎn)換代碼,使用時(shí)需要更改腳本中的路徑

Caffe中圖像寫入LMDB和讀取LMDB數(shù)據(jù) 進(jìn)行直方圖均衡化處理，沒有用灰度圖

網(wǎng)絡(luò)結(jié)構(gòu)

網(wǎng)絡(luò)結(jié)構(gòu)代碼

網(wǎng)絡(luò)結(jié)構(gòu)

精度測試

layer {
  name: "accuracy"
  type: "Accuracy"
  bottom: "ip3"
  bottom: "label"
  top: "accuracy"

  include {
    phase: TEST
  }
}

訓(xùn)練結(jié)果

loss曲線

精度測試

經(jīng)過 5000 次， batch= 100的優(yōu)化，測試集精度達(dá)到了 99.98 % , 遠(yuǎn)遠(yuǎn)超過了參考文獻(xiàn)，與參考文獻(xiàn)不同的是 這里采用了彩色圖像，并采用了直方圖均衡技術(shù)

too good to believe, 本篇文章是我的 caffe 入門文章，對(duì) accuracy 的計(jì)算還有疑問，如果有錯(cuò)誤，歡迎指出

github traffic-signs-master 的解決方案

參考

• caffe中特殊的層
• traffic-signs @ github

The highlights of this solution would be data preprocessing, data augmentation, pre-training and skipping connections in the network( By Author himself).
解決方案的亮點(diǎn)在于 數(shù)據(jù)預(yù)處理、數(shù)據(jù)增強(qiáng)、與訓(xùn)練、和跨層連接

網(wǎng)絡(luò)結(jié)構(gòu)

網(wǎng)絡(luò)結(jié)構(gòu)代碼

網(wǎng)絡(luò)結(jié)構(gòu)

經(jīng)過 1000 次， batch= 100的優(yōu)化，測試集精度達(dá)到了 98.42 % , 時(shí)間問題，需要進(jìn)一步比較