Предписывающие знаки дорожного движения 2019 с пояснениями

Я предполагаю, что вы уже знаете достаточно о нейронных сетях и регуляризации, так как я не буду вдаваться в подробности об их прошлом и о том, как они работают. Я использую TensorFlow в качестве основы ML и пару зависимостей, таких как numpy , matplotlib и scikit-image . Если вы не знакомы с TensorFlow, обязательно ознакомьтесь с моим недавним постом о его основных понятиях.

Если вы хотите продолжить, вам также может понадобиться компьютер с графическим процессором с поддержкой CUDA и всеми установленными зависимостями. Вот блокнот Jupyter с окончательным решением, которое я описываю в этом уроке. Предположительно, если вы пройдете все ячейки, вы получите те же результаты.

Набор данных

Немецкий набор данных дорожных знаков состоит из 39,209 32 × 32 px цветных изображений , которые мы должны использовать для обучения, и 12 630 изображений , которые мы будем использовать для тестирования.Каждое изображение представляет собой фотографию дорожного знака, принадлежащего одному из 43 классов, например, типы дорожных знаков.

Случайный образец набора данных

Каждое изображение представляет собой массив интенсивностей пикселей 32 × 32 × 3, представленный в виде целых значений [0, 255] в цветовом пространстве RGB. Класс каждого изображения кодируется как целое число в диапазоне от 0 до 42. Давайте проверим, сбалансирован ли набор данных обучения по классам.

Распределение классов данных

Очевидно, набор данных очень несбалансированный, и некоторые классы представлены значительно лучше, чем другие.Давайте теперь построим несколько случайных изображений для различных классов, чтобы увидеть, с чем мы работаем.

Выход

Нет записи

Общая осторожность

Карусель обязательная

Изображения существенно различаются по контрасту и яркости, поэтому нам нужно применить какое-то выравнивание гистограммы, это должно заметно улучшить извлечение признаков.

Предварительная обработка

Обычная предварительная обработка в этом случае будет включать масштабирование значений пикселей до [0, 1] (так как в настоящее время они находятся в диапазоне [0, 255] ), представляющих метки в однократном кодировании и перетасовке.Глядя на изображения, выравнивание гистограммы также может быть полезным. Мы применим локализованное выравнивание гистограммы , поскольку в нашем случае это еще больше улучшит извлечение признаков.

Я буду использовать только один канал в моей модели, например, изображения в оттенках серого вместо цветных. Как упоминали в своей статье Пьер Серманет и Янн ЛеКун, использование цветовых каналов, похоже, не слишком улучшило ситуацию, поэтому я возьму только Y канал из YCbCr представления изображения.

  импорт numpy как np от sklearn.utils импорт shuffle от воздействия импорта лыжного мага def preprocess_dataset (X, y = Нет): # Преобразовать в оттенки серого, например один канал Y X = 0,299 * X [:,:,:, 0] + 0,587 * X [:,:,:, 1] + 0,114 * X [:,:,:, 2] # Масштабные функции должны быть в [0, 1] X = (X / 255.). Astype (np.float32) # Применить локализованную локализацию гистограммы для я в диапазоне (X.shape [0]): X [i] = выставление.equalize_adapthist (X [i]) если у не None: # Конвертировать в одноразовое кодирование.Преобразуйте обратно с помощью `y = y.nonzero () [1]` y = np.eye (43) [y] # Перемешать данные X, y = shuffle (X, y) # Добавить один канал в градациях серого X = X.reshape (X.shape + (1,)) возврат X,  

Смотрите также

• 
  Греются задние тормозные диски
• 
  Сколько стоит покрасить полностью авто
• 
  Когда одевать липучку
• 
  По вин коду узнать цвет авто
• 
  Трехуровневый регулятор напряжения ваз
• 
  Ошибки бмв е60 значки на панели
• 
  Потекла стойка можно ли ездить
• 
  В аккумуляторе нет плотности
• 
  Характеристики тесла модель с
• 
  Система контроля стабилизации
• 
  Можно ли заменить права в другом городе без прописки