目前,自動駕駛領(lǐng)域和無人機配送領(lǐng)域的主要場景均為城市場景。在自動駕駛領(lǐng)域中需要實時分析車輛周圍環(huán)境以保證車輛安全的駕駛,無人機配送領(lǐng)域也是如此。隨著自動駕駛行業(yè)和無人機配送的迅速發(fā)展,對周邊環(huán)境的分割需求也變得與日俱增,因此對城市場景的分割研究具有非常重要的現(xiàn)實意義。現(xiàn)階段的語義分割技術(shù)可以被概況為兩步:第一步是通過卷積操作提取圖像特征,完成對圖像信息的提取和理解;第二步是用來恢復(fù)特征圖的上采樣操作。目前語義分割的研究大多側(cè)重于分割精度提升的方法,如DeepLab系列等,對分割效率的研究并不是很多,然而實際生活的應(yīng)用中,分割效率也是很重要的一部分。本文提出了一種基于稠密連接網(wǎng)絡(luò)的實時語義分割網(wǎng)絡(luò)模型來完成對城市場景的分割研究。在網(wǎng)絡(luò)模型中反復(fù)使用稠密連接塊來提取特征信息,并且稠密連接塊中使用非對稱卷積,擴張卷積等最新研究成果,使模型能夠高效準(zhǔn)確的完成城市場景的分割任務(wù)。在PyTorch框架上使用Cityscapes數(shù)據(jù)集來完成對模型的訓(xùn)練和測試,通過實驗完成對模型的參數(shù)和結(jié)構(gòu)的選擇,包括增長率,解碼器結(jié)構(gòu),空洞空間金字塔池化結(jié)構(gòu)等。還使用了模型簡單融合的方法以及分階段訓(xùn)練的方法對分割精... 

【文章來源】：西南交通大學(xué)四川省 211工程院校 教育部直屬院校

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 課題的研究背景和意義
    1.2 語義分割任務(wù)的國內(nèi)外研究現(xiàn)狀
    1.3 論文的結(jié)構(gòu)與主要工作
第2章 卷積神經(jīng)網(wǎng)絡(luò)
    2.1 經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展
    2.2 經(jīng)典網(wǎng)絡(luò)介紹
        2.2.1 AlexNet
        2.2.2 VGGNet
        2.2.3 Google Inception系列
        2.2.4 ResNet
        2.2.5 Densenet
    2.3 卷積神經(jīng)網(wǎng)絡(luò)中的重要組成部分
        2.3.1 卷積層
        2.3.2 池化層
        2.3.3 非線性激活函數(shù)
    2.4 本章小結(jié)
第3章 基于稠密連接網(wǎng)絡(luò)的實時語義分割模型設(shè)計
    3.1 網(wǎng)絡(luò)模型整體結(jié)構(gòu)設(shè)計
    3.2 模型各模塊細節(jié)設(shè)計
        3.2.1 下采樣模塊設(shè)計
        3.2.2 改進的稠密連接塊
        3.2.3 上采樣模塊的選擇
    3.3 模型結(jié)果衡量指標(biāo)的選擇
    3.4 本章小結(jié)
第4章 模型實現(xiàn)與實驗結(jié)果分析
    4.1 實驗數(shù)據(jù)描述及對比
        4.1.1 實驗數(shù)據(jù)集描述
        4.1.2 實驗數(shù)據(jù)集對比
        4.1.3 數(shù)據(jù)的預(yù)處理操作
    4.2 實驗環(huán)境介紹
        4.2.1 基本配置介紹
        4.2.2 深度學(xué)習(xí)框架PyTorch介紹
    4.3 實驗數(shù)據(jù)的處理及訓(xùn)練超參數(shù)設(shè)置
    4.4 實驗結(jié)果與分析
        4.4.1 網(wǎng)絡(luò)增長率大小選擇對模型的影響
        4.4.2 解碼器結(jié)構(gòu)對模型的影響
        4.4.3 獲取上下文信息的結(jié)構(gòu)選擇
        4.4.4 帶有非對稱卷積的稠密連接塊的作用
        4.4.5 模型整體測試優(yōu)化
    4.5 同其他網(wǎng)絡(luò)模型對比
    4.6 本章小結(jié)
總結(jié)和展望
    工作總結(jié)
    工作展望
致謝
參考文獻
攻讀碩士學(xué)位期間發(fā)表的論文及科研成果


【參考文獻】：
期刊論文
[1]圖像語義分割深度學(xué)習(xí)模型綜述[J]. 張新明,祝曉斌,蔡強,劉新亮,邵瑋,王磊.  高技術(shù)通訊. 2017(Z1)
[2]圖像物體分類與檢測算法綜述[J]. 黃凱奇,任偉強,譚鐵牛.  計算機學(xué)報. 2014(06)



本文編號：3525420