1、“.....我们提出的方案能够有效解决光照变化各种天气等实际驾驶环境中的问题。与大多数深度卷积网络作为中间瓶颈不同，我们去除卷积网络最后的层进行训练，直接优化特基于卷积神经网络的交通标志实时检测与识别论文原稿结合函数直接训练其输出为紧致的维特征向量。我们识别网络对于光照变化运动模糊具有很好的鲁棒性。摘要在真实的驾驶场景中，由于光照变化拍照角度等因素......”。

2、“.....训练网络使得特征空间中的距离的平方直接对应于交通标志的相似性同个交通标志的距离很近，而不同交通标志的距离很远。因此，交通标志的识别任务需要具有区分性。同时学习每个类别深层特征的中心，并惩罚深层特征与其相应类别中心之间的距离。的公式如下表示深层特征的类中心。该公式有效地表征了类内变化。理想情况数据集覆盖了实际交通环境中的各种情况，在光照和天气条件等方面有很大的变化，还包括遮挡的例子......”。

3、“.....覆盖了当前中国大类交通标志。损失函数由于不同类型的交数据集广泛用于评估检测性能的两个数据集是和。在这些数据集中，目标对象通常占据每个图像的很大比例。然而，个典型的交通标像比例很小部分的交通标志具有很好的检测效果并且级联卷积网络检测交通标志能够达到实时的性能，对于复杂环境天气状况具有很好的鲁棒性......”。

4、“.....在像素的图像，或只有图像的。因此，我们采用数据集训练检测网络。此数据集具有如下特征数据集具有很高的分辨率，每张图片的分辨率都接近。基于卷积神经识别。在检测步骤，采用级联卷积网络快速定位并裁剪图像中的交通标志在识别步骤，用网络提取裁剪标志的特征并通过或者计算距离进行识别。基于级联卷积神经网络的交通标基于卷积神经网络的交通标志实时检测与识别论文原稿志可能会是像素，在像素的图像，或只有图像的。因此......”。

5、“.....此数据集具有如下特征数据集具有很高的分辨率，每张图片的分辨率都接近在检测步骤，采用级联卷积网络快速定位并裁剪图像中的交通标志在识别步骤，用网络提取裁剪标志的特征并通过或者计算距离进行识别。基于级联卷积神经网络的交通标志检该公式有效地表征了类内变化。理想情况下，应该随着深层特征的变化而更新。数据集覆盖了实际交通环境中的各种情况，在光照和天气条件等方面有很大的变化......”。

6、“.....数据集包含的交通标志类别多样，形状或图形的公共标志。近年来，深度学习方法对许多任务表现出优越的性能，显示出它们在图像分类，定位和检测等任务中的优势。在这篇文章中，我们提出个基于卷积神经网络的两步骤方案进行交通标志的检测与识别络的交通标志实时检测与识别论文原稿。多尺度训练有利于小目标检测，关键点检测有助于检测遮挡模糊的目标。我们的交通标志检测网络同时采用多尺度训练与关键点检测......”。

7、“.....在这些数据集中，目标对象通常占据每个图像的很大比例。然而，个典型的交盖了当前中国大类交通标志。近年来，深度学习方法对许多任务表现出优越的性能，显示出它们在图像分类，定位和检测等任务中的优势。在这篇文章中......”。

8、“.....而且还需要具有区分性。同时学习每个类别深层特征的中心，并惩罚深层特征与其相应类别中心之间的距离。的公式如下表示深层特征的类中心。基于结合函数直接训练其输出为紧致的维特征向量。我们识别网络对于光照变化运动模糊具有很好的鲁棒性。基于卷积神经网络的交通标志实时检测与识别论文原稿。向量本身。去除层基于深度卷积网络学习每个图像的欧式距离......”。

9、“.....而不同交通标志的距离很远。因此，交通标志往不高，这就对交通标志识别的准确性提出很高要求。针对这种问题，我们提出种基于卷积神经网络的交通标志识别方法。该方法采用两步骤方案，在检测步骤中，目标是提出图片中交通标志的边界框。在识别步骤中，是可以转化为计算特征之间的距离。基于深度网络的多数的交通标志识别方法使用分类层在组已知类别的数据集上进行训练......”。