地標作為智能駕駛環(huán)境感知以及認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,參與分析給出相應的定位結果與決策方案以控制智能車輛進行正確的操作。因此,對地標感知這一任務展開研究具有重要的理論與現(xiàn)實意義。為了高效地識別出地標信息,本文基于攝像頭對駕駛環(huán)境采集到的視覺信息,針對交通標志牌、建筑物、路燈等顯著地面標志物進行感知算法研究,基于深度學習算法進行相關的實驗與分析。主要工作內容如下:1、針對真實駕駛場景下的地標分布特點以及目標尺寸變化等問題,本文利用卷積神經網絡提出了基于超特征金字塔的地標感知算法。通過對深層特征與淺層特征的有機組合,基于特征金字塔結構提出計算更加友好的超特征金字塔結構,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,本文還設計了一種新型特征提取網絡并將超特征金字塔結構集成其中,使用地標綜合數(shù)據(jù)集進行訓練與測試。實驗結果表明,本文設計的網絡模型取得了81.79%的mAP@0.5,同比學術界與工業(yè)界使用最廣泛的目標識別網絡YOLOv3上升了6.2%,且模型更小。2、針對復雜的深度模型對實際智能駕駛場景硬件有較... 

【文章頁數(shù)】：73 頁

【學位級別】：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 國內外研究現(xiàn)狀
        1.2.1 地標感知算法的研究現(xiàn)狀
        1.2.2 深度模型輕量化算法的研究現(xiàn)狀
        1.2.3 認知地圖的研究現(xiàn)狀
    1.3 研究內容
    1.4 章節(jié)架構
第二章 輕量化地標感知算法綜述
    2.1 引言
    2.2 卷積神經網絡主要結構
    2.3 基于卷積神經網絡的目標識別算法
        2.3.1 基于候選區(qū)域的目標識別算法
        2.3.2 基于回歸的目標識別算法
    2.4 基于網絡剪枝的深度模型輕量化算法
        2.4.1 權重剪枝
        2.4.2 濾波器剪枝
    2.5 本章小結
第三章 基于超特征金字塔的地標感知算法
    3.1 引言
    3.2 訓練數(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感知網絡設計
        3.3.1 特征提取網絡設計
        3.3.2 超特征金字塔網絡設計
        3.3.3 預測結構設計
        3.3.4 損失函數(shù)的設計
    3.4 實驗與結果分析
        3.4.1 實驗環(huán)境
        3.4.2 評判指標
        3.4.3 訓練策略
        3.4.4 結果分析
    3.5 本章小結
第四章 基于注意力機制的地標感知輕量化算法
    4.1 引言
    4.2 基于通道注意力模塊的濾波器剪枝方法設計
        4.2.1 通道注意力模塊
        4.2.2 參數(shù)量與計算量
        4.2.3 剪枝流程
        4.2.4 剪枝策略
    4.3 實驗與結果分析
        4.3.1 實驗環(huán)境
        4.3.2 評判指標
        4.3.3 實驗及分析
    4.4 本章小結
第五章 認知地圖中的地標感知
    5.1 認知地圖中的應用
        5.1.1 認知地圖中的地標表達
        5.1.2 認知地圖地標語義生成與定位
    5.2 智能駕駛實車試驗平臺
        5.2.1 智能車平臺
        5.2.2 車載計算平臺
        5.2.3 軟件架構
    5.3 校園區(qū)域地標感知測試
        5.3.1 地標感知節(jié)點
        5.3.2 地標感知測試
    5.4 本章小結
第六章 總結與展望
    6.1 本文總結
    6.2 未來展望
致謝
參考文獻


【參考文獻】：
期刊論文
[1]基于權值相似性的神經網絡剪枝[J]. 黃聰,常滔,譚虎,呂紹和,王曉東.  計算機科學與探索. 2018(08)
[2]基于不變矩和神經網絡的交通標志識別方法研究[J]. 王坤明,許忠仁.  計算機應用研究. 2004(03)



本文編號：3664480