本文为 AI 研习社编译的技术博客，原标题 Traffic signs classification with Deep Learning.
翻译 | shunshun 校对 | 凡江 整理 | 志豪
原文链接：https://hackernoon.com/traffic-signs-classification-with-deep-learning-b0cb03e23efb
可以在这里找到代码。它可能比文章更新;
介绍
这是自动驾驶系列的第二篇文章。如果想知道为什么我要分享这个以及更多关于我的经历，请阅读这篇博客。
目标
使用简单的卷积神经网络对交通标志进行分类。
机器学习
想象一下，你需要建立一个识别手写体数字的程序。
这是5。但也可以说是3。
你会用什么规则来判断它是3还是5呢？
研究人员决定向计算机展示成千上万的例子，并试图通过经验来解决问题，而不是试图挑选所有规则并构建一个非常复杂的程序。这是机器学习的开始。
机器学习的主要问题之一是特征提取。尽管我们向计算机展示了成千上万的例子，但我们仍然需要告诉他应该关注哪些特征。对于复杂问题，这还不够好。
深度学习模型绕过了这一点。它们自己学习应该关注哪些特征。
深度学习
为了简洁起见，我不打算深入深度学习的数学解释。我花了大约20个小时来理解这些概念并使用它们。相反，我会尝试解释深度学习背后的原因。如果你想要更深入，我会发布一些我用过的视频和讲座。
作为人类，识别物体似乎是一项非常简单的任务。我们几乎不用做任何努力，至少不是有意识的。但在我们真正了解我们正在看的东西之前，我们的大脑实际上已经完成了很多工作。
在20世纪50年代后期，两位著名的神经生理学家，David Hubel和Torsten Wiesel，在一只猫身上进行了实验，以显示视觉皮层中的神经元是如何工作的。
首先，他们表明附近的细胞处理来自附近视野的信息，形成地形图。此外，他们的工作确定具有相似功能的神经元被组织成列，微小的计算机器将信息传递到大脑的更高区域，并逐渐形成视觉图像。
大脑简单地结合低级特征，如基本形状，曲线，并构建更复杂的形状。
深度学习卷积神经网络是类似的。它首先识别低级特征，然后学习识别并组合这些特征以学习更复杂的模式。这些不同层次的特征来自网络的不同层。
深度学习是一个迷人的领域，我希望给你一个足够清晰的介绍。我鼓励你观看关于这个非常棒的斯坦福大学课程。
如果你更喜欢阅读，我推荐 Goodfellow，Bengio和Courville的书。
交通标志项目
如果我们想要自动驾驶车辆，检测和分类交通标志是一个必须解决的问题。
我们将使用的数据集是在线提供的德国交通标志数据集。
它共包含超过50,000张图像，分为43个不同的类别：速度限制(speed limits)，危险曲线(dangerous curves)，湿滑路面(slippery road)......以下是其中一些：
该数据集在几年前曾用于竞赛。比赛的最佳结果正确地猜出了99.46％的标志。相比之下，人类表现确定为98.84％。是的，机器比人类准确率更高，因为它能更好地处理最困难的情况，例如速度限制标志的模糊图像，这可能被误认为是不同的速度限制。
数据增量
在我们开始构建深度学习网络之前，让我们分析一下数据。
这是不同类的分布：
正如您所看到的，类之间存在太大差异。我们将创建一些数据来平衡输入数量，并减少网络可能对某些类别产生的偏差。它还将帮助我们向网络提供更多数据。
一种简单的方法是将图像图像旋转一定的角度。通过旋转5度，-5度，10度和-10度，我们已经可以将某些类的输入增加了五倍。
这是我们在此操作后获得的分布。
数据更加平衡，每个类至少有500个图像。
网络结构
本文的这一部分详细介绍了网络架构。如果您不熟悉深度学习，可以跳到结果部分。
第一层是卷积核大小为3*3，步长为1，SAME填充，深度为64的CNN。
第二层和第三层是宽度为512全连接层。
最后一层是一个宽度为43（类的数量）的全连接层。
我使用了Adam优化器及其默认参数，因为它目前被认为是最有效的。
我使用了250的批量大小和100个训练周期(epoch)。
我尝试添加更多的卷积网络，但它们没有改善结果并且大大增加了计算时间。没有必要添加它们，因为我们使用的图片之间的统计不变性很低。它们中的大多数已经中心化并在标志周围进行了裁剪。
我因为标志的形状和颜色总体上非常简单，使用了一个中等大小的网络，但是全连接层很宽，因为标志的形状，颜色和整体外观有一些变化。
我没有使用超过100个周期，因为之后准确性没有提高。我还希望保持网络清晰，因此在AWS上训练它不会花费太多时间，并且结果令人满意。
结果
到目前为止，我只授权自己查看验证准确性。当我高于99％且对结果感到满意时，我决定针对测试集进行计算。
最终验证准确率: 0.9938
最终测试准确率: 0.9110
验证集和测试集之间的8％下降表明我的模型过拟合了。
以下列出了一些技巧可以避免过拟合：
L2正规化
提前终止
Dropout
查看混淆矩阵还可以帮助我们查看错误最多的类别：
如你所见，大多数错误位于左上角。这些都是速度限制。似乎模型可以检测到它是速度限制，但很难识别标志中值之间的差异。
附录
我测试了从互联网上下载的一些随机标志，看看模型会如何反应：
最后两个标志在我们的数据集中。
前三个的标志被正确识别，置信度为99+%
第四个标志（显然）识别错误，80%的置信度作为禁止进入标志。
第五个标志（显然）以99%的置信度错误识别为速度限制。该模型应该做得更好。
思考
从零深度学习的知识到能够实现简单的小型网络，我花了大约20个小时。几个小时后，我得到了令人满意的结果。
深度学习真的令人印象深刻。我迫不及待地想看看我还能在这个领域学到多少东西。
下次我们将讨论行为克隆。我们将在模拟器中驾驶汽车，看看我们的深度学习模型能够从中学到如何自动驾驶。听起来很刺激吧？！敬请关注！
此外，请随时发表评论，提出问题并提出建议。
想要继续查看该篇文章更多代码、链接和参考文献？
戳链接：
http://www.gair.link/page/TextTranslation/928
作者：AI研习社
链接：https://www.jianshu.com/p/a4c6ea849867
随时随地看视频
