颜色分类leetcode traffic signs 构建基于CNN的交通标志分类器

颜色分类leetcode使用卷积网络进行交通标志分类这是我尝试使用在TensorFlow中实现的卷积神经网络来解决交通标志分类问题（准确率达到99.33% ）。该解决方案的亮点是数据预处理、数据增强、预训练和跳过网络中的连接。你可以阅读。德国交通标志分类是优达学城无人驾驶汽车纳米学位项目的任务之一，但数据集是公开的。数据集由我们应该用于训练的39,209张32×32 px彩色图像和我们将用于测试的12,630张图像组成。每个图像都是属于43个类别之一的交通标志的照片，例如交通标志类型。每个图像都是一个32×3的像素强度阵列，表示为RGB颜色空间中的[0, 255]整数值。每个图像的类被编码为0到42范围内的整数。数据集非常不平衡，某些类的表示方式比其他类好。图像在对比度和亮度方面也有显着差异，因此我们需要应用某种直方图均衡化，这应该会显着改善特征提取。预处理在这种情况下，通常的预处理将包括将像素值缩放到[0, 1] （目前它们在[0, 255]范围内），代表单热编码和改组中的标签。查看图像，直方图均衡化也可能有帮助。