今天，基本的交通燈訊號燈檢測問題已經得到解決。深度學習和計算機視覺的創新以強健的演算法的形式存在。實現實時交通訊號燈檢測和分類。
它們在沒有開發**的情況下工作，手動確定顏色或交通訊號燈的位置。例如，優化的r-cnn（模型能夠以實時的速度獲得最先進的精度。
那麼它是如何工作的呢?
google的乙個團隊使用提取檢測到的交通訊號燈的方法，然後在該方法上執行第二個分類器。這種方法（提供了靈活性;然而，根據實現的不同，它可能會增加管道複雜度和計算成本。
更重要的是，它似乎依賴於對預期交通訊號燈位置的先驗資訊。一般來說，將分類作為第二步新增第二個網路進行培訓、測試等等。
我開始先使用了單鏡頭檢測(ssd)，最後使用了faster r-cnn，因為它對較小的物件具有較好的效能。我費力地重建了現有的實現，以自學它是如何工作的。
在該**（中，他們討論了不同方法的效能權衡。例如，ssd(類似於yolo)對於中型到大型物件來說很好，但是對於小型物件來說，它比faster r-cnn更糟糕。在實踐中我們很難讓ssd在bosch的小交通訊號燈資料集（上收斂。相反，包含resnet的faster r-cnn能得到良好的結果。
我們一直在做乙個關於自動駕駛汽車的有限測試。在乙個很小的封閉軌道上，汽車必須成功地遵循一組路標並識別交通訊號燈。
如果你對技術細節感興趣，請檢視**（
由於可用的資料量有限，我們嚴重依賴轉移學習，我們可以使用以下資料集：
交通訊號燈有不同的數量、位置、形狀、大小和布局。這些差異通過深度學習是容易解決的——只收集在汽車行駛區域的交通訊號燈型別的例子。
起初，我們需要大約220ms的推理時間，與滑動視窗的方法相比較，這是乙個更快速的方法，我個人認為3 – 4幀每秒不是實時的。
根據**的建議，我們將該區域建議數量從原來的300個減少到50個。
在推理時間裡(～220 ms 到～80 ms)，給了我們乙個具有類似精度的～3x的速度。
**在1280×720影象中不到1%的交通訊號燈。例如，在上述谷歌的**中，他們使用了2040×1080或2.3x畫素的影象。
有許多系統還沒有準備好用於生產的示例。舉個例子，在下面的中的燈光被認為是黃色的。
在擁有更多資料或者更多培訓的情況下，很多這樣的案例可以被解決。例如，我們訓練了大約2萬次迭代，這大概是真正收斂(最優模型的權重值)需要的1 / 10。
在測試過程中，我意外地在真實影象上執行了模擬影象的網路。
某種程度上來說，它可以工作，而且執行得很好。
看看下面這個例子的結果:
這是一件有趣的事情。從理論上講，你可以模擬任何你想要的情況，把它提供給乙個深度學習系統，然後將其通用化到現實生活中的情況。
深度學習**:
自動駕駛汽車**:
研究報告指出在ai方面中國有望超過美國
學習k-means演算法：基於聚類的無監督機器學習演算法
logistic回歸的詳細概述
ai通過語言體裁的元資料揭示古希臘文字意義的演變
交通訊號燈實訓裝置 交通訊號燈實訓系統裝置
zn znsdhx交通訊號燈實訓裝置 交通訊號燈實訓系統裝置 一 概述 本裝置是plc學習中典型的執行機構，本裝置可模擬複雜的十字路 通訊號控制系統，包括車輛直行 行人直行 過街手動按鈕等的邏輯控制。二 主要特點 1 直觀的環境介面，便於操作和理解。2 可做複雜交通環境的現場模擬。三 效能引數 3 ...
微控制器交通訊號燈程式
微控制器交通燈程式,黃燈閃6次轉紅燈1分，然後黃燈6次轉綠燈1分鐘 str acall yello mov a,81h mov p1,a acall deone acall yello mov a,24h mov p1,a acall deone jmp str yello mov r4,6 yel...
交通訊號燈控制系統的Verilog實現
交通訊號燈控制系統的verilog實現 作為數字系統設計入門案例，下面簡單介紹最簡單的交通控制系統，說明設計思路。首先給出要求 設計乙個主幹道和支幹道十字路口的交通訊號燈控制電路 1 一般情況下保持主幹道通暢，主幹道綠燈亮 支幹道紅燈亮，並且主幹道綠燈亮時間不少於60秒。2 主幹道綠燈亮超過60秒，...