该项目初期使用了真实的路标图片。2011年，该团队拍摄了43个德国标准化路标的视频，研究人员将它们称为类（classes）。根据这些视频，他们从不同的角度生成了大约5万张独立的标志图像。总体而言，基于机器的过程比人类更善于识别这些图像中的标志。人类识别的正确率为98.8%，而图像识别软件的正确率为99.7%。Sebastian Houben表示，“我们希望开发算法，可学习生成道路标志图像，其他程序可以利用该算法训练其识别能力。” 为此，研究小组使用了两种算法。第一种算法是输入简单的官方道路标志的象形图，然后将它们转换成类似照片的图像。此外，该算法还必须能将输入的标志转换回原来的象形图。 Daniela Horn解释说，“我们防止算法将路标图像扭曲，从而与路标完全不同。”第二种算法必须判断第一种算法生成的图像是否是真实的照片。目标是确保第二种算法无法再分辨出它是什么。Sebastian Houben表示，“第二种算法向第一种算法表明，选择过程可能会变得更加困难。因此，这两种算法相当于练习对手。” 一开始，训练过程并不特别顺利。如果道路标志的图片颜色正确，并大致呈方形，就算成功。但该图片会不断完善。Daniela Horn解释道，“两三天后，我们会查看路标的图片。如果这些图片在人眼看来不好看，我们就会修改算法。”在图像识别软件方面，两种算法比人类表现更好。在使用数量相当的人工图像进行训练后，视觉计算机系统的表现仅比使用真实图像训练后的表现差10个百分点。 此外，研究小组正使用技巧，优化图像生成算法。研究人员解释道，“例如，由于图像识别算法很容易被愚弄，我们可以创造森林背景。”该团队通过改变原始象形图的背景颜色来解决这个问题。Sebastian Houben表示，“我们只能通过初始输入和修改算法来影响这一过程。这些算法随后做出的决定不受研究人员的控制，这也是AI的特点之一。”汽车若要自动安全地在街道上行驶，就必须能够识别路标，即使是在夜晚、雨雪天气，或者在道路标志被苔藓、污物、杂草覆盖着苔藓的情况下。因此，自动驾驶汽车需要大量来自不同季节、一天中的不同时间和天气条件下的所有路标的样本。据外媒报道，波鸿鲁尔大学神经计算学院（RUB Neural Computation Institute）的Sebastian Houben教授解释道，“为所有道路标志拍照将会非常耗时，尤其是有些标志相当罕见。”为此，Sebastian Houben与Dominic Spata和Daniela Horn合作，开发了自动生成交通标志的方法，可用于计算机视觉训练。 该项目初期使用了真实的路标图片。2011年，该团队拍摄了43个德国标准化路标的视频，研究人员将它们称为类（classes）。根据这些视频，他们从不同的角度生成了大约5万张独立的标志图像。总体而言，基于机器的过程比人类更善于识别这些图像中的标志。人类识别的正确率为98.8%，而图像识别软件的正确率为99.7%。Sebastian Houben表示，“我们希望开发算法，可学习生成道路标志图像，其他程序可以利用该算法训练其识别能力。” 为此，研究小组使用了两种算法。第一种算法是输入简单的官方道路标志的象形图，然后将它们转换成类似照片的图像。此外，该算法还必须能将输入的标志转换回原来的象形图。 Daniela Horn解释说，“我们防止算法将路标图像扭曲，从而与路标完全不同。”第二种算法必须判断第一种算法生成的图像是否是真实的照片。目标是确保第二种算法无法再分辨出它是什么。Sebastian Houben表示，“第二种算法向第一种算法表明，选择过程可能会变得更加困难。因此，这两种算法相当于练习对手。” 一开始，训练过程并不特别顺利。如果道路标志的图片颜色正确，并大致呈方形，就算成功。但该图片会不断完善。Daniela Horn解释道，“两三天后，我们会查看路标的图片。如果这些图片在人眼看来不好看，我们就会修改算法。”在图像识别软件方面，两种算法比人类表现更好。在使用数量相当的人工图像进行训练后，视觉计算机系统的表现仅比使用真实图像训练后的表现差10个百分点。 此外，研究小组正使用技巧，优化图像生成算法。研究人员解释道，“例如，由于图像识别算法很容易被愚弄，我们可以创造森林背景。”该团队通过改变原始象形图的背景颜色来解决这个问题。Sebastian Houben表示，“我们只能通过初始输入和修改算法来影响这一过程。这些算法随后做出的决定不受研究人员的控制，这也是AI的特点之一。”
该项目初期使用了真实的路标图片。2011年，该团队拍摄了43个德国标准化路标的视频，研究人员将它们称为类（classes）。根据这些视频，他们从不同的角度生成了大约5万张独立的标志图像。总体而言，基于机器的过程比人类更善于识别这些图像中的标志。人类识别的正确率为98.8%，而图像识别软件的正确率为99.7%。Sebastian Houben表示，“我们希望开发算法，可学习生成道路标志图像，其他程序可以利用该算法训练其识别能力。” 为此，研究小组使用了两种算法。第一种算法是输入简单的官方道路标志的象形图，然后将它们转换成类似照片的图像。此外，该算法还必须能将输入的标志转换回原来的象形图。 Daniela Horn解释说，“我们防止算法将路标图像扭曲，从而与路标完全不同。”第二种算法必须判断第一种算法生成的图像是否是真实的照片。目标是确保第二种算法无法再分辨出它是什么。Sebastian Houben表示，“第二种算法向第一种算法表明，选择过程可能会变得更加困难。因此，这两种算法相当于练习对手。” 一开始，训练过程并不特别顺利。如果道路标志的图片颜色正确，并大致呈方形，就算成功。但该图片会不断完善。Daniela Horn解释道，“两三天后，我们会查看路标的图片。如果这些图片在人眼看来不好看，我们就会修改算法。”在图像识别软件方面，两种算法比人类表现更好。在使用数量相当的人工图像进行训练后，视觉计算机系统的表现仅比使用真实图像训练后的表现差10个百分点。 此外，研究小组正使用技巧，优化图像生成算法。研究人员解释道，“例如，由于图像识别算法很容易被愚弄，我们可以创造森林背景。”该团队通过改变原始象形图的背景颜色来解决这个问题。Sebastian Houben表示，“我们只能通过初始输入和修改算法来影响这一过程。这些算法随后做出的决定不受研究人员的控制，这也是AI的特点之一。”