基于符号到真实图像翻译GAN的数据增强用于交通标志识别

交通标志识别是许多高级驾驶辅助系统的重要组成部分，也是实现完全自动驾驶所必需的。计算性能通常是使用大规模神经网络用于此目的时的瓶颈。SqueezeNet是交通标志高效图像分类的良好候选，但在我们的实验中它未达到高准确率，我们认为这是由于数据缺乏，需要数据增强。生成对抗网络可以学习经验数据的高维分布，从而生成新的数据点。在本文中，我们应用pix2pix GANs架构生成新的交通标志图像，并评估这些图像在数据增强中的使用。由于条件GAN中的模式崩溃，我们受激励使用pix2pix将符号标志图像翻译为真实图像。通过实验我们发现，使用GAN的数据增强可将圆形交通标志的分类准确率从92.1%提高到94.0%，三角形交通标志从93.8%提高到95.3%，总体提升2%。然而一些传统增强技术可以胜过GAN数据增强，例如圆形交通标志的对比度变化（95.5%）和三角形交通标志的位移（96.7%）。我们的负面结果表明，虽然GAN可被朴素地用于数据增强，但它们并非总是最佳选择，取决于问题及数据中的变异性。