交通标示检测的实现在多方面受限并且又有相当大的复杂度。在汽车自动驾驶时对交通标识的一个细小的误检测便会造成灾难性的后果，乃至人员伤亡。尽管业界将人工智能以及自动控制相结合，开发出了众多的算法以提升交通标识检测系统的性能，但由于测试平台和数据集的不统一，要在这些算法中甄选出一个行之有效的算法，这并不容易。本篇毕业设计便立足于使用深度学习方法，为汽车自动驾驶设计出交通标示检测机制。通过网络数据来训练深度学习模型——具体来说是卷积神经网络，以使其检测并认知出交通标识。尽管深度学习方法在现如今发展迅速，但是其中的理论依据目前并不明晰。应用于交通标识检测的深度学习在控制和认知方面具有高度的重叠。
　　我们将主要关注认知部分。本研究致力于通过分析的方法填补当前深度学习中的空白。这一想法主要体现在通过计算机与深度学习的结合，在交通表示检测与认知方面所做出的贡献。深度学习与计算机的结合，极有可能为自动驾驶业界在经济上带来明智有效的结局方案。卷积神经网络需要大量的标签化训练数据。为了填补空白，我们将转移训练合并到训练过程中。具体而言，我们将VGG16一种16层的网络融入到了我们的提出的模型中。
　　VGG16通过设置权重来理解接收到的图像。不过VGG16的主要目的并不是识别，而是特征提取。这将极大程度地降低所需的标签化数据数目。相较于我们提出的转移学习模型，原有的方法难以为深度学习提供充足训练数据。由于我们部署了数据扩增技术，在TSR中数据扩增便没有被深入探究。这同样会人为地提升训练样本的大小。图示说明的数据输入与可视化是第一步。第二步包含了数据预处理和精调。当前的精调技术包含了一种AD-HOC调整，其考虑了选择超参数的一种最佳方式。对于汽车自动驾驶在本课题中的部署，我们提出了一个可用于汽车通信的用户界面。我们通过文本编辑Python和虚拟环境的建立来部署Streamlit。在本文中，我们将使用可公开获取到的中国交通TSDR数据集。