隨著深度學(xué)習(xí)的復(fù)興,人工智能技術(shù)開啟了新的征程。自動(dòng)駕駛技術(shù)作為人工智能技術(shù)的一個(gè)重要研究方向,是計(jì)算機(jī)視覺技術(shù)與傳統(tǒng)工業(yè)相結(jié)合的產(chǎn)物。自動(dòng)駕駛技術(shù)深入地滲透了人們的日常生活,能夠帶來巨大的商業(yè)價(jià)值,是學(xué)術(shù)界和工業(yè)界共同的研究熱點(diǎn),如今各大互聯(lián)網(wǎng)公司及汽車制造商紛紛投身自動(dòng)駕駛技術(shù)的研究。行人目標(biāo)跟蹤作為自動(dòng)駕駛技術(shù)中不可或缺的一個(gè)環(huán)節(jié),對提高自動(dòng)駕駛的安全性有著重要作用和意義。相比于通用目標(biāo)檢測與跟蹤,自動(dòng)駕駛場景下的行人目標(biāo)占畫面比例更小,背景環(huán)境和運(yùn)動(dòng)姿態(tài)更多樣,位置變化更快,且實(shí)時(shí)性要求更高,通用目標(biāo)檢測與跟蹤算法較難滿足自動(dòng)駕駛場景下的行人目標(biāo)跟蹤任務(wù)。因此,本文從行人目標(biāo)檢測與行人目標(biāo)跟蹤兩個(gè)方向進(jìn)行研究,設(shè)計(jì)了一套適用于自動(dòng)駕駛場景的行人目標(biāo)跟蹤算法。對于行人目標(biāo)檢測問題,本文設(shè)計(jì)了一個(gè)特殊的輕量級(jí)行人目標(biāo)檢測模型。該模型使用了本文提出的多尺度下采樣模塊,以減少行人目標(biāo)信息在下采樣過程中的丟失,并在下采樣結(jié)束之后加入了空間金字塔池化模塊,進(jìn)一步豐富行人目標(biāo)的特征,提升行人小目標(biāo)的檢測性能。經(jīng)過實(shí)驗(yàn),在BDD 100k和City Person綜合數(shù)據(jù)集上,本文設(shè)計(jì)的輕量級(jí)行...

【文章頁數(shù)】：63 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景及研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 目標(biāo)檢測研究現(xiàn)狀
        1.2.2 目標(biāo)跟蹤研究現(xiàn)狀
        1.2.3 輕量級(jí)網(wǎng)絡(luò)模型研究現(xiàn)狀
    1.3 論文主要研究內(nèi)容
    1.4 主要?jiǎng)?chuàng)新點(diǎn)
    1.5 論文組織結(jié)構(gòu)
2 自動(dòng)駕駛場景目標(biāo)感知及相關(guān)理論基礎(chǔ)
    2.1 引言
    2.2 目標(biāo)檢測常用數(shù)據(jù)集及評價(jià)指標(biāo)
        2.2.1 目標(biāo)檢測常用數(shù)據(jù)集
        2.2.2 目標(biāo)檢測常用評價(jià)指標(biāo)
    2.3 目標(biāo)檢測算法分類
        2.3.1 兩階段目標(biāo)檢測算法
        2.3.2 一階段目標(biāo)檢測算法
    2.4 目標(biāo)跟蹤常用數(shù)據(jù)集及評價(jià)指標(biāo)
        2.4.1 目標(biāo)跟蹤常用數(shù)據(jù)集
        2.4.2 目標(biāo)跟蹤常用評價(jià)指標(biāo)
    2.5 目標(biāo)跟蹤算法分類
    2.6 常用輕量級(jí)網(wǎng)絡(luò)設(shè)計(jì)方法
    2.7 本章小結(jié)
3 自動(dòng)駕駛場景下輕量級(jí)行人目標(biāo)檢測
    3.1 引言
    3.2 輕量級(jí)行人目標(biāo)檢測基本思路
    3.3 小型一階段行人目標(biāo)檢測網(wǎng)絡(luò)設(shè)計(jì)
        3.3.1 小型一階段行人目標(biāo)檢測模型模塊設(shè)計(jì)
        3.3.2 小型一階段行人目標(biāo)檢測模型網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
        3.3.3 小型行人目標(biāo)檢測模型損失函數(shù)設(shè)計(jì)
    3.4 輕量級(jí)行人目標(biāo)檢測網(wǎng)絡(luò)設(shè)計(jì)
    3.5 模型訓(xùn)練與結(jié)果分析
    3.6 本章小結(jié)
4 自動(dòng)駕駛場景下基于卷積關(guān)聯(lián)網(wǎng)絡(luò)的行人目標(biāo)跟蹤
    4.1 引言
    4.2 基于卷積關(guān)聯(lián)網(wǎng)絡(luò)的行人目標(biāo)跟蹤基本思路
    4.3 卷積關(guān)聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
    4.4 卷積關(guān)聯(lián)網(wǎng)絡(luò)的損失函數(shù)設(shè)計(jì)
    4.5 基于卷積關(guān)聯(lián)網(wǎng)絡(luò)的行人目標(biāo)跟蹤過程
    4.6 模型訓(xùn)練與結(jié)果分析
    4.7 本章小結(jié)
5 自動(dòng)駕駛場景下卷積關(guān)聯(lián)網(wǎng)絡(luò)的空間約束
    5.1 引言
    5.2 卷積關(guān)聯(lián)網(wǎng)絡(luò)空間約束的基本思想
    5.3 卷積關(guān)聯(lián)網(wǎng)絡(luò)空間約束的具體實(shí)現(xiàn)
    5.4 模型訓(xùn)練與結(jié)果分析
    5.5 本章小結(jié)
6 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 未來展望
致謝
參考文獻(xiàn)
個(gè)人簡歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文及取得的研究成果



本文編號(hào)：3796789