汽車行業(yè)發(fā)展迅速,正處于變革的時(shí)代,智能化成為未來發(fā)展的方向。智能駕駛環(huán)境感知技術(shù)作為提高汽車智能化水平的前提和關(guān)鍵技術(shù),成為目前研究的重點(diǎn)。本文基于深度學(xué)習(xí)方法,提出一種高效、準(zhǔn)確的基于車載相機(jī)的智能車輛環(huán)境感知算法,實(shí)現(xiàn)交通場(chǎng)景的深度理解,為智能車的發(fā)展奠定重要的理論和應(yīng)用基礎(chǔ)。首先,通過對(duì)語義分割網(wǎng)絡(luò)模型的研究分析,提出一種帶有“基數(shù)”和多分支融合理念的分割神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。該網(wǎng)絡(luò)分為編碼器和解碼器兩部分,基于PSPNet網(wǎng)絡(luò)設(shè)計(jì)編碼器結(jié)構(gòu)提取輸入圖像的特征,將提取的特征輸入解碼器,通過反卷積和上采樣操作,擴(kuò)大輸入特征圖的尺寸,輸出與輸入圖像同等尺寸的特征圖。實(shí)驗(yàn)結(jié)果表明,所提出的語義分割網(wǎng)絡(luò)具有很好的實(shí)時(shí)性和分割精度。其次,針對(duì)上文提出的應(yīng)用于語義分割的神經(jīng)網(wǎng)絡(luò),通過更好的特征提取網(wǎng)絡(luò)實(shí)現(xiàn)目標(biāo)檢測(cè)任務(wù)。對(duì)Faster R-CNN的目標(biāo)檢測(cè)方法,將提出的語義分割網(wǎng)絡(luò)的編碼器部分作為目標(biāo)檢測(cè)任務(wù)的特征提取網(wǎng)絡(luò),將提取的特征圖生成感興趣區(qū)域,經(jīng)過ROI池化后應(yīng)用全連接層得到目標(biāo)的分類和回歸輸出。實(shí)驗(yàn)結(jié)果表明,所提出的網(wǎng)絡(luò)在目標(biāo)檢測(cè)任務(wù)上取得較好的檢測(cè)精度和實(shí)時(shí)性。最后,本文基于交通場(chǎng)景,... 

【文章來源】：大連理工大學(xué)遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：65 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 引言
    1.2 深度學(xué)習(xí)研究現(xiàn)狀
        1.2.1 發(fā)展歷史
        1.2.2 深度學(xué)習(xí)的主要應(yīng)用
    1.3 圖像處理方法研究現(xiàn)狀
        1.3.1 語義分割方法及研究現(xiàn)狀
        1.3.2 目標(biāo)檢測(cè)方法及研究現(xiàn)狀
        1.3.3 多任務(wù)學(xué)習(xí)及研究現(xiàn)狀
    1.4 本文主要研究內(nèi)容
2 深度學(xué)習(xí)模型及方法研究
    2.1 引言
    2.2 感知機(jī)
    2.3 受限玻爾茲曼機(jī)
    2.4 卷積神經(jīng)網(wǎng)絡(luò)
        2.4.1 局部連接和權(quán)值共享
        2.4.2 卷積
        2.4.3 池化
        2.4.4 激活
        2.4.5 神經(jīng)網(wǎng)絡(luò)訓(xùn)練
    2.5 本章小結(jié)
3 基于卷積神經(jīng)網(wǎng)絡(luò)的語義分割方法研究
    3.1 引言
    3.2 全卷積神經(jīng)網(wǎng)絡(luò)
    3.3 殘差神經(jīng)網(wǎng)絡(luò)
    3.4 ResNeXt
    3.5 PSPNet
    3.6 網(wǎng)絡(luò)結(jié)構(gòu)的搭建
    3.7 網(wǎng)絡(luò)的訓(xùn)練
    3.8 結(jié)果評(píng)估
    3.9 本章小結(jié)
4 基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)方法研究
    4.1 引言
    4.2 R-CNN等基于候選區(qū)域的目標(biāo)檢測(cè)方法
    4.3 端對(duì)端的目標(biāo)檢測(cè)方法
    4.4 網(wǎng)絡(luò)模型的搭建與應(yīng)用
    4.5 網(wǎng)絡(luò)的訓(xùn)練
    4.6 結(jié)果評(píng)估
    4.7 本章小結(jié)
5 多任務(wù)網(wǎng)絡(luò)研究
    5.1 引言
    5.2 多任務(wù)網(wǎng)絡(luò)設(shè)計(jì)
    5.3 多任務(wù)網(wǎng)絡(luò)訓(xùn)練
    5.4 實(shí)驗(yàn)結(jié)果和分析
        5.4.1 語義分割網(wǎng)絡(luò)訓(xùn)練結(jié)果
        5.4.2 目標(biāo)檢測(cè)網(wǎng)絡(luò)訓(xùn)練結(jié)果
        5.4.3 多任務(wù)網(wǎng)絡(luò)訓(xùn)練結(jié)果
    5.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝


【參考文獻(xiàn)】：
期刊論文
[1]智能網(wǎng)聯(lián)汽車[J].   中國工業(yè)和信息化. 2018(10)
[2]先進(jìn)駕駛輔助系統(tǒng)開始普及[J]. 周路菡.  新經(jīng)濟(jì)導(dǎo)刊. 2016(08)
[3]Word2vec的工作原理及應(yīng)用探究[J]. 周練.  科技情報(bào)開發(fā)與經(jīng)濟(jì). 2015(02)
[4]無人駕駛汽車的發(fā)展現(xiàn)狀和展望[J]. 楊帆.  上海汽車. 2014(03)
[5]BP算法分析與改進(jìn)[J]. 賈麗會(huì),張修如.  計(jì)算機(jī)技術(shù)與發(fā)展. 2006(10)
[6]一種改進(jìn)的快速k-近鄰分類算法[J]. 喬玉龍,潘正祥,孫圣和.  電子學(xué)報(bào). 2005(06)
[7]一種基于樸素貝葉斯分類的特征選擇方法[J]. 余芳,姜云飛.  中山大學(xué)學(xué)報(bào)(自然科學(xué)版). 2004(05)
[8]神經(jīng)網(wǎng)絡(luò)中的多維MP模型[J]. 鐘譚衛(wèi).  華南農(nóng)業(yè)大學(xué)學(xué)報(bào). 2004(02)
[9]高速公路交通事故分析及預(yù)防對(duì)策研究[J]. 秦利燕,邵春福,賈洪飛.  中國安全科學(xué)學(xué)報(bào). 2003(06)

碩士論文
[1]基于決策樹的分類算法研究[D]. 胡江洪.武漢理工大學(xué) 2006



本文編號(hào)：3447750