本文研究了卷积神经网络、二值神经网络和胶囊网络等在交通标志识别中的应用，提出了新方法并取得了高准确率。重点分析了自动驾驶中的交通标志检测，探讨了不同模型的优缺点及实际应用表现。

本文综述二值神经网络与连续学习结合的研究，提出混合量化CWR*方法，在低功耗设备上实现高效片上学习；介绍基于PULP处理器的软硬件平台，通过量化和潜在重播降低内存开销；并总结BNN训练策略改进（如可训练缩放因子、BinaryDenseNet等），在ImageNet等数据集上提升精度，验证了嵌入式设备实时连续学习的可行性。

本文综述二值神经网络，介绍直接二值化与优化二值化两类算法，后者通过最小化量化误差、改进损失函数、减少梯度误差等缓解信息损失与优化难题；并讨论硬件友好设计、训练技巧，评估图像分类、目标检测、语义分割等任务表现，展望未来挑战。