学习总结与感悟

“基于深度学习的交通路标图像识别”总结

一、简述

随着社会经济和科技的发展，人们生活水平的提高，汽车已成为人们的一种普遍的交通工具，但由此引发的交通事故也成为了一个问题。随着人工智能的发展，无人驾驶技术也成为了现实。无人驾驶中的辅助驾驶的关键技术之一就是对交通路标的识别与检测。

二、学习内容

1.CNN（卷积神经网络）概述

卷积神经网络是一个专门针对图像识别问题设计的神经网络，通过模仿人类识别图像的多层过程。卷积神经网络最早出现在1980年，但在1988年Lecun等人使用卷积神经网络识别手写字体开始，卷积神经网络才开始快速发展。卷积神经网络在图像处理领域发挥着重要作用，它由多层神经感知机发展而来，与传统神经网络相比，既有区别，也有联系。卷积神经网络主要由输入层、卷积层、池化层、全连接层和输出层组成。
卷积层是卷积神经网络的核心，其参数可学习，卷积操作是卷积核在图像上沿宽和高的方向滑动，卷积核中的权重与图像上对应位置的像素相乘，之后将所有乘积相加得到一个输出，当卷积核遍历整张图像结束后，得到输出特征图。不同的卷积核可以提取不同的特征，从而将图像中符合条件的部分筛选出来。
因其具有的三个特点，CNN在图像识别方面具有一定的优越性，分别是：局部感知域、权值共享、多卷积核
特点
（1）局部感知域
也称稀疏连接，对图像的突出局部的识别，即图像的某一个特征在局部区域比较明显和集中，而在相对于此局部区域较远的区域就不明显相关性较弱。因此每个神经元不必与图像所有的像素点进行连接，只需要对局部区域进行连接，最后将所有神经元的信息拼接起来即可。

神经元全连接（上）

神经元局部连接（下）
局部连接相比于全连接的优点：能够很大程度的减少参数的输入，从而减少网络的训练速度，提高识别速度。
（2）权值共享
权值共享机制：当每个卷积核与图像进行卷积处理时，每个卷积核的参数都是固定的，也就是说，卷积核与图像局部连接时的权重是相同的，因此对整个图像都共享一个卷积核权重
优点：很大程度上能够减少待学习的自由参数量，大大提高了学习效率，具有很强的泛化能力。
（3）多和卷积
一个卷积核只能获得一个特征，由于卷积核权值共享机制，可将多个卷积核累积，能够获得图像的所有特征信息。

2.CNN（卷积神经网络）结构

CNN一般包括卷积层、池化层、Dropout层、激活函数、全连接层和输出层。
（1）卷积层
对输入的数据进行计算，一个卷积核得到图象的某一个特征，将多个卷积核计算得到的图像特征进行非线性处理并级联，可得到整个图像的特征图。
（2）池化层
池化操作通常在卷积之后进行操作，通过池化层进行降低维度，减少参数量可以减少计算的参数量和防止过拟合的出现。常用的池化操作有最大池化和平均池化操作。
（3）激活函数
在卷积神经网络中，激活函数可以增加神将网络非线性建模的能力。因为在神经网络中，卷积层是对输入的图像进行线性计算的，但输入的图像信息不一定全都是线性可分的，通过增加激活函数来进行非线性操作。选择合适的激活函数不仅可以增加网络的性能，而且还可以去除多余的信息，避免出现过度拟合的现象。
（4）优化器
在深度学习中通常将梯度下降法作为优化算法，优化算法的核心是让目标函数误差最小化。可分为批量梯度下降法、随机梯度下降法、小批量梯度下降法。

三、感悟

通过本次的学习感受到深度学习与人工智能的强大，深度学习在交通方面的图像识别还可用于以下几个方面：1.无人驾驶技术中车辆行驶时对路面交通标线的识别，可减少违章，提高行驶安全性。2.自动泊车技术，车辆识别车位线以及周围障碍物。3.在道路上对行人的识别。

参考文献[1]张文乐. 基于深度学习的交通路标图像识别研究[D].西安石油大学,2020.