地標(biāo)作為智能駕駛環(huán)境感知以及認(rèn)知地圖語義層的重要組成部分,不僅可以提供必要的交通信息,還可用于輔助定位與規(guī)劃、控制與決策,參與分析給出相應(yīng)的定位結(jié)果與決策方案以控制智能車輛進(jìn)行正確的操作。因此,對(duì)地標(biāo)感知這一任務(wù)展開研究具有重要的理論與現(xiàn)實(shí)意義。為了高效地識(shí)別出地標(biāo)信息,本文基于攝像頭對(duì)駕駛環(huán)境采集到的視覺信息,針對(duì)交通標(biāo)志牌、建筑物、路燈等顯著地面標(biāo)志物進(jìn)行感知算法研究,基于深度學(xué)習(xí)算法進(jìn)行相關(guān)的實(shí)驗(yàn)與分析。主要工作內(nèi)容如下:1、針對(duì)真實(shí)駕駛場(chǎng)景下的地標(biāo)分布特點(diǎn)以及目標(biāo)尺寸變化等問題,本文利用卷積神經(jīng)網(wǎng)絡(luò)提出了基于超特征金字塔的地標(biāo)感知算法。通過對(duì)深層特征與淺層特征的有機(jī)組合,基于特征金字塔結(jié)構(gòu)提出計(jì)算更加友好的超特征金字塔結(jié)構(gòu),融合不同尺度的特征信息以生成更有代表性、多層次的多尺度特征。此外,本文還設(shè)計(jì)了一種新型特征提取網(wǎng)絡(luò)并將超特征金字塔結(jié)構(gòu)集成其中,使用地標(biāo)綜合數(shù)據(jù)集進(jìn)行訓(xùn)練與測(cè)試。實(shí)驗(yàn)結(jié)果表明,本文設(shè)計(jì)的網(wǎng)絡(luò)模型取得了81.79%的mAP@0.5,同比學(xué)術(shù)界與工業(yè)界使用最廣泛的目標(biāo)識(shí)別網(wǎng)絡(luò)YOLOv3上升了6.2%,且模型更小。2、針對(duì)復(fù)雜的深度模型對(duì)實(shí)際智能駕駛場(chǎng)景硬件有較... 

【文章頁數(shù)】：73 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究工作的背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 地標(biāo)感知算法的研究現(xiàn)狀
        1.2.2 深度模型輕量化算法的研究現(xiàn)狀
        1.2.3 認(rèn)知地圖的研究現(xiàn)狀
    1.3 研究?jī)?nèi)容
    1.4 章節(jié)架構(gòu)
第二章 輕量化地標(biāo)感知算法綜述
    2.1 引言
    2.2 卷積神經(jīng)網(wǎng)絡(luò)主要結(jié)構(gòu)
    2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別算法
        2.3.1 基于候選區(qū)域的目標(biāo)識(shí)別算法
        2.3.2 基于回歸的目標(biāo)識(shí)別算法
    2.4 基于網(wǎng)絡(luò)剪枝的深度模型輕量化算法
        2.4.1 權(quán)重剪枝
        2.4.2 濾波器剪枝
    2.5 本章小結(jié)
第三章 基于超特征金字塔的地標(biāo)感知算法
    3.1 引言
    3.2 訓(xùn)練數(shù)據(jù)集的獲取
        3.2.1 數(shù)據(jù)庫介紹
        3.2.2 數(shù)據(jù)集建立
    3.3 基于超特征金字塔的地標(biāo)感知網(wǎng)絡(luò)設(shè)計(jì)
        3.3.1 特征提取網(wǎng)絡(luò)設(shè)計(jì)
        3.3.2 超特征金字塔網(wǎng)絡(luò)設(shè)計(jì)
        3.3.3 預(yù)測(cè)結(jié)構(gòu)設(shè)計(jì)
        3.3.4 損失函數(shù)的設(shè)計(jì)
    3.4 實(shí)驗(yàn)與結(jié)果分析
        3.4.1 實(shí)驗(yàn)環(huán)境
        3.4.2 評(píng)判指標(biāo)
        3.4.3 訓(xùn)練策略
        3.4.4 結(jié)果分析
    3.5 本章小結(jié)
第四章 基于注意力機(jī)制的地標(biāo)感知輕量化算法
    4.1 引言
    4.2 基于通道注意力模塊的濾波器剪枝方法設(shè)計(jì)
        4.2.1 通道注意力模塊
        4.2.2 參數(shù)量與計(jì)算量
        4.2.3 剪枝流程
        4.2.4 剪枝策略
    4.3 實(shí)驗(yàn)與結(jié)果分析
        4.3.1 實(shí)驗(yàn)環(huán)境
        4.3.2 評(píng)判指標(biāo)
        4.3.3 實(shí)驗(yàn)及分析
    4.4 本章小結(jié)
第五章 認(rèn)知地圖中的地標(biāo)感知
    5.1 認(rèn)知地圖中的應(yīng)用
        5.1.1 認(rèn)知地圖中的地標(biāo)表達(dá)
        5.1.2 認(rèn)知地圖地標(biāo)語義生成與定位
    5.2 智能駕駛實(shí)車試驗(yàn)平臺(tái)
        5.2.1 智能車平臺(tái)
        5.2.2 車載計(jì)算平臺(tái)
        5.2.3 軟件架構(gòu)
    5.3 校園區(qū)域地標(biāo)感知測(cè)試
        5.3.1 地標(biāo)感知節(jié)點(diǎn)
        5.3.2 地標(biāo)感知測(cè)試
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本文總結(jié)
    6.2 未來展望
致謝
參考文獻(xiàn)


【參考文獻(xiàn)】：
期刊論文
[1]基于權(quán)值相似性的神經(jīng)網(wǎng)絡(luò)剪枝[J]. 黃聰,常滔,譚虎,呂紹和,王曉東.  計(jì)算機(jī)科學(xué)與探索. 2018(08)
[2]基于不變矩和神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別方法研究[J]. 王坤明,許忠仁.  計(jì)算機(jī)應(yīng)用研究. 2004(03)



本文編號(hào)：3664480