由于上传资源大小限制，本资源包括GTSRB德国交通标志训练集，非常适合初次接触交通识别领域的人进行学习使用。

由于上传资源大小限制，本资源包括GTSRB德国交通标志训练集，非常适合初次接触深度学习交通识别领域的人进行学习使用。

由于上传资源大小限制，本资源包括GTSRB德国交通标志训练集，非常适合初次接触深度学习交通识别领域的人进行学习使用。

由于上传资源大小限制，此资源包括GTSRB德国交通数据集测试集，非常适合初次接触深度学习交通识别领域的开发者。

交通标志识别 将交通标志图像识别并分类为来自数据集的43类。 该项目是Rob Fergus领导的纽约大学计算机视觉课程的一部分，并作为Kaggle竞赛进行。 该模型是使用带有IDSIA网络修改版本的Spatial Transformer网络设计的，并使用大量增强的数据进行了训练。 该模型在Kaggle排行榜上达到了约99.5％的测试设置精度，远高于人工精度。 该项目的整个开发过程可以在阅读。 数据 从下载培训和测试文件夹 跑步 项目可以通过两种方式运行，即main.ipynb jupyter笔记本（最初用于实验）和main.py文件。 对于jupyter笔记本，它包含与数据增强，预处理和培

GTSRB数据上的敌对攻击 我们的项目专注于创建在神经网络上产生对抗性攻击的算法，并测试在GTSRB数据集上训练的这些神经网络的强度。 在此项目的生命周期中，在三种不同的模型上创建并测试了四种技术。 在我们的第一种方法中，我们创建了一个随机模糊器，它将随机修改像素的RGB值，直到对图像进行错误分类为止。 对于第二种方法，我们在图像上应用了高斯滤波器，并检查了分类错误。 在第三种方法中，我们混合了两个相同类别的图像，然后对它们应用高斯滤波器。 对于第四个也是最后一个方法，我们实现了FGSM方法，该方法会根据图像的梯度添加噪声。

GTSRB TensorFlow Lite 德国交通标志基准数据集的示例TensorFlow Lite分类模型。 创建该项目的目的是展示如何在之上构建卷积神经网络（通过Transfer Learning），并在TensorFlow Lite SDK的移动应用程序中使用卷积神经网络。 有关更多详细信息，请检查： 博客文章： 具有：数据集准备，模型训练和验证，转换为TensorFlow Lite。 数据集： 灵感：

由于上传资源大小限制，本资源包括GTSRB德国交通标志训练集，非常适合初次接触深度学习交通识别领域的人进行学习使用。

基于GTSRB数据集CNN，卷积神经网络交通标志识别

基于GTSRB数据集CNN，卷积神经网络交通标志识别