近年來,針對復雜多變的道路行駛環(huán)境,國內外各大研究機構相繼推出多種環(huán)境感知算法,尤其是將卷積神經網絡應用于環(huán)境感知任務中,是該領域的一大突破。但是,交通場景的復雜性和多變性特點使得視覺感知任務十分困難,準確度以及實時性方面尚未達到實車要求,如何兼顧二者也是一直以來被廣泛關注的重點,所以目前仍然需要進一步探索有效的方法提高網絡性能。本文以卷積神經網絡為核心,探究一種基于深度信息的網絡結構,以實現(xiàn)車輛對道路交通環(huán)境的感知理解。主要圍繞以下幾個方面展開:首先,本文提出一種基于編碼器-解碼器結構的網絡模型,在保證網絡精確度的前提下,大大提高實時性。并在此基礎上,將彩色圖與深度信息融合輸入網絡,對比首端通道融合以及逐層特征融合兩種方式對于語義分割結果的影響。實驗結果表明,逐層特征融合方式所得的精度更高。然后,針對基于編碼-解碼結構存在的分割結果粗糙的問題,在分析上下文信息提取方法基礎上,提出一種改進的空間金字塔池化模塊。該模塊可以充分提取不同尺度的密集圖像特征,改善網絡性能。同時,繼續(xù)探索彩色圖與深度信息融合方法,提出非對稱的并行雙分支網絡結構,分別提取彩色圖和視差圖信息,并在網絡末端對其進行信...

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 圖像分割研究現(xiàn)狀
        1.2.2 結合深度信息的圖像分割研究現(xiàn)狀
        1.2.3 交通場景數(shù)據(jù)集
    1.3 本文主要工作
2 卷積神經網絡理論基礎
    2.1 卷積神經網絡概述
        2.1.1 卷積神經網絡基本組成
        2.1.2 卷積神經網絡的訓練
    2.2 典型卷積神經網絡模型
    2.3 卷積神經網絡模型對比
    2.4 網絡性能的優(yōu)化
    2.5 本章小結
3 基于編碼-解碼結構的語義分割方法研究
    3.1 編碼-解碼結構網絡設計
        3.1.1 基本網絡結構設計
        3.1.2 用于深度特征融合的網絡結構
    3.2 樣本數(shù)據(jù)
        3.2.1 數(shù)據(jù)集選取
        3.2.2 深度特征數(shù)據(jù)獲取
    3.3 網絡訓練過程
    3.4 網絡測試標準
    3.5 實驗結果及分析
    3.6 網絡可視化分析
    3.7 本章小結
4 基于金字塔池化的語義分割研究
    4.1 網絡結構設計
        4.1.1 上下文信息提取
        4.1.2 主網絡結構設計
        4.1.3 融合深度信息分支的網絡結構
    4.2 網絡訓練
    4.3 實驗及結果分析
        4.3.1 主網絡結構測試結果及分析
        4.3.2 基于雙分支網絡的測試結果及分析
        4.3.3 提高網絡實時性實驗分析
    4.4 本章小結
結論
參考文獻
攻讀碩士學位期間發(fā)表學術論文情況
致謝



本文編號：4000868