23、基于Dropout - VGG的卷积神经网络在交通标志分类中的应用

基于Dropout - VGG的卷积神经网络在交通标志分类中的应用

1. 计算机视觉特征与方法

在计算机视觉领域，如人脸识别、目标识别和图像检测等问题中，为了获得更准确的结果，会使用一些特殊的特征。常见的特征包括方向梯度直方图（HOG）、Gabor滤波器特征、局部二值模式（LBP）等。这些特征通过模拟动物的视觉皮层，往往能产生更优的性能。

一些研究基于这些特征提出了不同的方法：
- 有研究提出了基于稀疏表示的图嵌入（SRGE）方法，该方法通过整合分层连接图（HCG）中符号的局部流形结构来理解子空间。
- 有研究在从符号图像中提取的梯度方向特征（即HOG）上使用线性支持向量机（SVM）分类器。
- 还有研究使用线性SVM的二叉树，并在多尺度LBP特征上使用AdaBoost分类器进行检测。
- 也有研究对不同大小的HOG描述符进行了随机森林、SVM和K - d树等分类器的评估。
- 另外有研究将Gabor、LBP、HOG特征融合，通过SVM进行预测。

2. 深度学习在图像分类中的应用

深度学习或深度神经网络在近几十年成为了最具影响力的工具之一，也被广泛应用于处理大量数据。它也被称为多层人工神经网络（ANNs）。近年来，传统方法在不同问题领域，特别是模式识别领域，已无法与更深隐藏层的性能相匹配，因此深度学习被认为是处理图像管理领域的最佳方法。

在所有的深度神经网络中，卷积神经网络（CNN）是最流行的一种。过去十年的研究表明，将CNN模型应用于图像分类问题，在大多数问题中都取得了最先进的成果。

CNN也被称为ConvNet，它是一种独特的多层人工神经元网络，其灵感来源于生物的