颜色分类leetcode使用卷积网络进行交通标志分类。这是我尝试使用在TensorFlow中实现的卷积神经网络来解决交通标志分类问题，准确率达到99.33%。该解决方案的亮点是数据预处理、数据增强、预训练和跳过网络中的连接。德国交通标志分类是优达学城无人驾驶汽车纳米学位项目的任务之一，数据集是公开的。数据集由39,209张32×32 px彩色图像和12,630张测试图像组成。每个图像属于43个类别之一，例如交通标志类型。每个图像是32×3的像素强度阵列，表示为RGB颜色空间中的[0, 255]整数值。每个图像的类被编码为0到42范围内的整数。数据集非常不平衡，某些类的表示方式比其他类好。图像在对比度和亮度方面也有显著差异，因此我们需要应用某种直方图均衡化来改善特征提取。预处理方面，通常包括将像素值缩放到[0, 1]（目前它们在[0, 255]范围内），并进行单热编码和数据改组。查看图像时，直方图均衡化也可能有帮助。