汽车若要自动安全性地在街道上行经，就必需需要辨识路标，即使是在夜晚、雨雪天气，或者在道路标志被苔藓、污物、杂草覆盖面积着苔藓的情况下。因此，自动驾驶汽车必须大量来自有所不同季节、一天中的有所不同时间和天气条件下的所有路标的样本。据外媒报导，波鸿鲁尔大学神经计算学院（RUBNeuralComputationInstitute）的SebastianHouben教授说明道，“为所有道路标志照片将不会十分耗时，特别是在是有些标志非常少见。
”为此，SebastianHouben与DominicSpata和DanielaHorn合作，研发了自动分解交通标志的方法，可用作计算机视觉训练。该项目初期用于了现实的路标图片。2011年，该团队摄制了43个德国标准化路标的视频，研究人员将它们称作类（classes）。根据这些视频，他们从有所不同的角度分解了约5万张独立国家的标志图像。
总体而言，基于机器的过程比人类更加擅于辨识这些图像中的标志。人类辨识的正确率为98．8％，而图像识别软件的正确率为99．7％。
SebastianHouben回应，“我们期望研发算法，可自学分解道路标志图像，其他程序可以利用该算法训练其辨识能力。”为此，研究小组用于了两种算法。
第一种算法是输出非常简单的官方道路标志的象形图，然后将它们转换成类似于照片的图像。此外，该算法还必需能将输出的标志切换返原本的象形图。DanielaHorn说明说道，“我们避免算法将路标图像变形，从而与路标几乎有所不同。
”第二种算法必需辨别第一种算法分解的图像是否是现实的照片。目标是保证第二种算法无法再行辨别出有它是什么。SebastianHouben回应，“第二种算法向第一种算法指出，自由选择过程可能会显得更为艰难。
因此，这两种算法相等于锻炼输掉。”一开始，训练过程并不尤其成功。如果道路标志的图片颜色准确，并大体呈圆形方形，就算顺利。
但该图片不会不断完善。DanielaHorn说明道，“两三天后，我们不会查阅路标的图片。如果这些图片在人眼见来不漂亮，我们就不会改动算法。”在图像识别软件方面，两种算法比人类展现出更佳。
在用于数量非常的人工图像展开训练后，视觉计算机系统的展现出仅有比用于现实图像训练后的展现出差10个百分点。此外，研究小组于是以用于技巧，优化图像分解算法。
研究人员说明道，“例如，由于图像识别算法很更容易被欺骗，我们可以建构森林背景。”该团队通过转变完整象形图的背景颜色来解决问题这个问题。
SebastianHouben回应，“我们不能通过初始输出和改动算法来影响这一过程。这些算法随后作出的要求不不受研究人员的掌控，这也是AI的特点之一。
本文来源：PG电子平台-www.njjkhy.com
