那么，也有人可能會問，如果限速標志沒有被遮擋，識別率有多高呢？同理，我們這里也可以一并計算：
從以上計算我們可以看到，限速標志未被遮擋完全暴露出來，識別率是相當(dāng)高的，但如果限速標記牌被阻擋住，識別率是比未遮擋的低很多。這兩個指標的融合使用，可以用于作為評價目前圖像處理算法識別限速標志性能的重要參考。當(dāng)然，實際的融合過程比這復(fù)雜得多，小鵬汽車工程師們正努力不斷優(yōu)化，提高各種工況下的識別率，提供更為舒適的智能駕駛輔助。
神經(jīng)網(wǎng)絡(luò)理論
圖9：神經(jīng)網(wǎng)絡(luò)
神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）是機器學(xué)習(xí)（Machine Learning，ML）的其中一種方式，是人工智能、認知科學(xué)、神經(jīng)生理學(xué)、非線性動力學(xué)、信息科學(xué)、和數(shù)理科學(xué)的“熱點”。
ANN的發(fā)展經(jīng)歷了三個階段
第一個階段是起步階段，從20世紀40年代開始逐漸形成了一個新興的邊緣性交叉學(xué)科。1943年，心理學(xué)家McCulloch和數(shù)學(xué)家Pitts合作，融匯了生物物理學(xué)和數(shù)學(xué)，提出了第一個神經(jīng)計算模型: MP模型。1949年,心理學(xué)家Hebb通過對大腦神經(jīng)細胞、學(xué)習(xí)和條件反射的觀察與研究,提出了改變神經(jīng)元連接強度的、至今仍有重要意義的Hebb規(guī)則。
第二階段是發(fā)展階段，1957年，Rosenblatt發(fā)展了MP模型,提出了感知器模型：Perception Model，給出了兩層感知器的收斂定理，并提出了引入隱層處理元件的三層感知器這一重要的研究方向。1960年，Widrow提出自適應(yīng)線性元件模型：Ada-line model以及一種有效的網(wǎng)絡(luò)學(xué)習(xí)方法：Widrow-Hoff學(xué)習(xí)規(guī)則。
第三階段是成熟階段，1982年美國加州工學(xué)院的物理學(xué)家Hopfield提出了一個用于聯(lián)想記憶和優(yōu)化計算的新途徑——Hopfield網(wǎng)絡(luò),使得神經(jīng)網(wǎng)絡(luò)的研究有了突破性進展。1984年在Hopfield的一篇論文中，指出Hopfield網(wǎng)絡(luò)可以用集成電路實現(xiàn)，很容易被工程技術(shù)人員和計算機科技工作者理解，引起工程技術(shù)界的普遍關(guān)注。
上世紀八十年代后期，神經(jīng)網(wǎng)絡(luò)的光芒被計算機技術(shù)、互聯(lián)網(wǎng)掩蓋了，但這幾年計算機技術(shù)的發(fā)展，恰恰給神經(jīng)網(wǎng)絡(luò)更大的機會。神經(jīng)網(wǎng)絡(luò)由一層一層的神經(jīng)元構(gòu)成。層數(shù)越多，就越深，所謂深度學(xué)習(xí)（Deep Learning）就是用很多層神經(jīng)元構(gòu)成的神經(jīng)網(wǎng)絡(luò)達到機器學(xué)習(xí)的功能。辛頓是深度學(xué)習(xí)的提出者，2006年，基于深度置信網(wǎng)絡(luò)(DBN)提出非監(jiān)督貪心逐層訓(xùn)練算法，為解決深層結(jié)構(gòu)相關(guān)的優(yōu)化難題帶來希望，隨后提出多層自動編碼器深層結(jié)構(gòu)。目前，深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)技術(shù)廣泛用于計算機視覺、語音識別、自然語言處理識別上。
關(guān)于神經(jīng)網(wǎng)絡(luò)的研究包含眾多學(xué)科領(lǐng)域，涉及數(shù)學(xué)、計算機、人工智能、微電子學(xué)、自動化、生物學(xué)、生理學(xué)、解剖學(xué)、認知科學(xué)等學(xué)科，這些領(lǐng)域彼此結(jié)合、滲透，相互推動神經(jīng)網(wǎng)絡(luò)研究和應(yīng)用的發(fā)展。
