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。當然，實際的融合過程比這復雜得多，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)絡理論
圖9：神經(jīng)網(wǎng)絡
神經(jīng)網(wǎng)絡（Artificial Neural Network，ANN）是機器學習（Machine Learning，ML）的其中一種方式，是人工智能、認知科學、神經(jīng)生理學、非線性動力學、信息科學、和數(shù)理科學的“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科。1943年，心理學家McCulloch和數(shù)學家Pitts合作，融匯了生物物理學和數(shù)學，提出了第一個神經(jīng)計算模型: MP模型。1949年,心理學家Hebb通過對大腦神經(jīng)細胞、學習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提出自適應線性元件模型：Ada-line model以及一種有效的網(wǎng)絡學習方法：Widrow-Hoff學習規(guī)則。
第三階段是成熟階段，1982年美國加州工學院的物理學家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,使得神經(jīng)網(wǎng)絡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)絡可以用集成電路實現(xiàn)，很容易被工程技術人員和計算機科技工作者理解，引起工程技術界的普遍關注。
上世紀八十年代后期，神經(jīng)網(wǎng)絡的光芒被計算機技術、互聯(lián)網(wǎng)掩蓋了，但這幾年計算機技術的發(fā)展，恰恰給神經(jīng)網(wǎng)絡更大的機會。神經(jīng)網(wǎng)絡由一層一層的神經(jīng)元構成。層數(shù)越多，就越深，所謂深度學習（Deep Learning）就是用很多層神經(jīng)元構成的神經(jīng)網(wǎng)絡達到機器學習的功能。辛頓是深度學習的提出者，2006年，基于深度置信網(wǎng)絡(DBN)提出非監(jiān)督貪心逐層訓練算法，為解決深層結構相關的優(yōu)化難題帶來希望，隨后提出多層自動編碼器深層結構。目前，深度學習的神經(jīng)網(wǎng)絡技術廣泛用于計算機視覺、語音識別、自然語言處理識別上。
關于神經(jīng)網(wǎng)絡的研究包含眾多學科領域，涉及數(shù)學、計算機、人工智能、微電子學、自動化、生物學、生理學、解剖學、認知科學等學科，這些領域彼此結合、滲透，相互推動神經(jīng)網(wǎng)絡研究和應用的發(fā)展。
