摘要

本文提出了一种基于深度学习的交通标志识别方法。研究在德国和比利时公开的交通标志数据集上，采用包含卷积层与空间变换网络（Spatial Transformer Networks, STN）的深度神经网络进行了多项分类实验。这些实验旨在评估多种因素对识别性能的影响，最终目标是设计一种能够提升当前交通标志分类任务性能的卷积神经网络（Convolutional Neural Network, CNN）。首先，对比了多种自适应与非自适应随机梯度下降优化算法，包括SGD、SGD-Nesterov、RMSprop和Adam。随后，分析了在主网络不同位置部署空间变换网络的多种组合方式。所提出的卷积神经网络在德国交通标志识别基准测试（German Traffic Sign Recognition Benchmark）中取得了99.71%的识别准确率，优于此前的最先进方法，同时在内存占用方面也表现出更高的效率。