文章题目：Traffic Sign Classification Using Deep Inception Based Convolutional Networks

开源代码地址：github.com/vxy10/p2-Tra

一、概述

本篇文章提出了一种基于深度学习的交通标志识别方法，网络以Google Inception网络模型为基础，做了一些改进，并增加了空间转换网络，以使该方法能够对不同角度看到的交通标志都能有效识别。

二、算法流程

网络分为两部分，一个是空间转换网络，一个是特征识别网络（Inception），所以我们也分两部分介绍

1.空间转换网络

空间转换网络的整体结构如图中所示，其主要目的就是把一个非正视角度的图片转换为正式角度，同时，把不在图片正中心的标志转换到图片中心，所以这里的 [公式] 大家自然也就明白是啥了，就是一个旋转加上一个平移，具体的形式如下：

其中， [公式] 组成旋转矩阵， [公式] 为x和y方向上的平移。

作者认为，这种旋转和平移，会对提高算法的鲁棒性起到很好的作用。

2.特征提取网络

作者所使用的网络是在Inception模块的基础上改进而来，改进前后的网络模型图如下：

Inception原型结构
改进后的Inception结构

从图片中可以看出，作者增加了一个模块（1X1卷积->3X3卷积->3X3最大值池化），这个模块主要起作用的还是1X1卷积部分，毕竟1X1卷积的优点大家是知道的：

1) 实现跨通道的信息交互和整合

2) feature map通道数上的降维

3) 增加非线性映射次数

最终，作者的整体网络结构如下：

作者还给出了一个表格，详细介绍每一部分的内容

三、实验结果

交通标志识别以识别准确率作为评价指标，对比了本方法和其他方法的结果，实验结果显示本方法取得了最好的性能

四、总结与思考

作者提出了一个深度学习网络用于交通标志识别，网络以GoogleNet为原型，并对Inception模块做了改进。为了提高鲁棒性，作者又在网络中增加了空间旋转网络，以适应变化不同视角观测交通标志带来的影响。最终结果就state-of-art了，不过是在2016年

一点思考：

神经网络应该本来就具有旋转不变性，为啥还需要增加一个空间旋转网络，把标志映射到图片中心呢？