近年來(lái),道路安全事故頻發(fā)、城市交通擁堵等亟需解決的問(wèn)題推動(dòng)著智能駕駛技術(shù)相關(guān)研究和對(duì)應(yīng)市場(chǎng)應(yīng)用的快速發(fā)展。其中智能車(chē)輛環(huán)境信息感知是目前智能駕駛最為關(guān)鍵的研究任務(wù)之一,而基于深度學(xué)習(xí)的環(huán)境語(yǔ)義分割算法作為智能駕駛系統(tǒng)中環(huán)境感知模塊的關(guān)鍵技術(shù),也越來(lái)越受到相關(guān)研究人員的重視。本文主要研究工作圍繞基于深度學(xué)習(xí)的智能車(chē)輛環(huán)境語(yǔ)義分割算法展開(kāi),具體研究?jī)?nèi)容如下:1.分析現(xiàn)有常用智能車(chē)輛語(yǔ)義分割環(huán)境理解數(shù)據(jù)庫(kù)數(shù)據(jù)優(yōu)缺點(diǎn)（Cityscapes,Mapillary,Camvid等）,使用Lable Me標(biāo)注工具對(duì)實(shí)際路試采集數(shù)據(jù)進(jìn)行人工標(biāo)注,確定本文語(yǔ)義分割算法研究所使用的數(shù)據(jù)庫(kù),確保本文所設(shè)計(jì)的深度學(xué)習(xí)語(yǔ)義分割模型能夠?qū)崿F(xiàn)對(duì)智能車(chē)輛所處的實(shí)際道路環(huán)境理解以及適用于本文語(yǔ)義分割算法研究的性能評(píng)價(jià)指標(biāo),設(shè)計(jì)了模型預(yù)測(cè)準(zhǔn)確率評(píng)估函數(shù)。2.設(shè)計(jì)優(yōu)化解析全局語(yǔ)義信息語(yǔ)義分割模型。該模型基于Deeplab架構(gòu),結(jié)合了PSPNet模型中空間金字塔池化特征融合模塊實(shí)現(xiàn)優(yōu)化解析模型全局語(yǔ)義信息。本文設(shè)計(jì)的語(yǔ)義分割數(shù)據(jù)庫(kù)模型平均預(yù)測(cè)準(zhǔn)確率相比Deeplab模型提高了0.27%。相比于原模型,模型對(duì)車(chē)輛所處場(chǎng)景內(nèi)交通標(biāo)... 

【文章來(lái)源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：88 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

全卷積網(wǎng)絡(luò)結(jié)構(gòu)變化

吉林大學(xué)碩士學(xué)位論文 (Conditional Random Fields)嵌入到深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)中實(shí)現(xiàn)端到端訓(xùn)實(shí)現(xiàn)圖像語(yǔ)義分割錯(cuò)誤!未找到引用源。，相比于單純?cè)O(shè)計(jì)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)語(yǔ)義分割模型預(yù)測(cè)得到的特征張量經(jīng)過(guò)條件隨機(jī)場(chǎng)實(shí)現(xiàn)預(yù)測(cè)結(jié)果優(yōu)化，提高整體結(jié)果準(zhǔn)確度，具體網(wǎng)絡(luò)結(jié)構(gòu)如圖 1.3 所示，后續(xù)絕大多數(shù)深度學(xué)習(xí)語(yǔ)義均考慮采用條件隨機(jī)場(chǎng)(CRF)進(jìn)一步提高模型性能。

圖 1.4 SegNet 網(wǎng)絡(luò)結(jié)構(gòu)示意1.3 論文主要研究?jī)?nèi)容本文主要研究?jī)?nèi)容為基于深度學(xué)習(xí)的智能車(chē)輛環(huán)境語(yǔ)義分割理解。前期工作中分析比較了大量目前國(guó)內(nèi)外優(yōu)秀的深度學(xué)習(xí)語(yǔ)義分割文獻(xiàn)，深入理解對(duì)應(yīng)深度學(xué)習(xí)語(yǔ)義分割模型[14]。為了實(shí)現(xiàn)智能車(chē)輛所處的實(shí)際場(chǎng)景環(huán)境理解，本論文的主要研究?jī)?nèi)容包含以下三部分。第一部分，研究分析目前在智能駕駛領(lǐng)域較為常見(jiàn)的環(huán)境語(yǔ)義分割現(xiàn)有數(shù)據(jù)庫(kù)，分析總結(jié)各數(shù)據(jù)庫(kù)的優(yōu)缺點(diǎn)，并對(duì)實(shí)際采集的道路環(huán)境數(shù)據(jù)進(jìn)行人工標(biāo)注，并轉(zhuǎn)換為模型可訓(xùn)練數(shù)據(jù)，考慮手工標(biāo)注的難度和耗時(shí)，分析選擇現(xiàn)有數(shù)據(jù)庫(kù)中效果最適合本文研究的 Cityscapes 數(shù)據(jù)集[15]與本文研究人工標(biāo)注得到的環(huán)境數(shù)

【參考文獻(xiàn)】：
期刊論文
[1]深度網(wǎng)絡(luò)模型壓縮綜述[J]. 雷杰,高鑫,宋杰,王興路,宋明黎.  軟件學(xué)報(bào). 2018(02)
[2]圖像語(yǔ)義分割深度學(xué)習(xí)模型綜述[J]. 張新明,祝曉斌,蔡強(qiáng),劉新亮,邵瑋,王磊.  高技術(shù)通訊. 2017(Z1)
[3]基于DCNN的圖像語(yǔ)義分割綜述[J]. 魏云超,趙耀.  北京交通大學(xué)學(xué)報(bào). 2016(04)
[4]基于上海市消費(fèi)者的汽車(chē)共享選擇分析[J]. 周彪,周溪召,李彬.  上海理工大學(xué)學(xué)報(bào). 2014(01)
[5]無(wú)人駕駛汽車(chē)的發(fā)展現(xiàn)狀及方向[J]. 喬維高,徐學(xué)進(jìn).  上海汽車(chē). 2007(07)

博士論文
[1]面向室內(nèi)場(chǎng)景的3D場(chǎng)景重建與語(yǔ)義理解[D]. 趙哲.中國(guó)科學(xué)技術(shù)大學(xué) 2016
[2]基于視覺(jué)的自主車(chē)道路環(huán)境理解技術(shù)研究[D]. 杜明芳.北京理工大學(xué) 2015

碩士論文
[1]基于引導(dǎo)域的參數(shù)化RRT無(wú)人駕駛車(chē)輛運(yùn)動(dòng)規(guī)劃算法研究[D]. 馮來(lái)春.中國(guó)科學(xué)技術(shù)大學(xué) 2017



本文編號(hào)：3404394