隨著智能交通系統(tǒng)（ITS）的飛速發(fā)展,無人駕駛車輛的性能日趨精進。場景理解技術(shù)是無人駕駛車輛的重要技術(shù)之一,而語義分割是場景理解技術(shù)的第一步也是關(guān)鍵一步。受復(fù)雜交通環(huán)境的影響,語義分割的結(jié)果易出現(xiàn)低照度邊緣處理不佳、分割目標(biāo)細節(jié)較模糊的問題;在交通圖像采集階段,手工標(biāo)注數(shù)據(jù)集也是極其困難的;針對這些問題本論文基于深度卷積神經(jīng)網(wǎng)絡(luò)對語義分割算法進行了以下研究。針對圖像語義分割過程中,對于低照度邊緣處理不佳的問題,本文首先借助于深度殘差網(wǎng)絡(luò),學(xué)習(xí)了圖像中更多的高階語義特征;其次,采用區(qū)域候選網(wǎng)絡(luò)加速生成了待分割目標(biāo)候選區(qū)域塊;然后,設(shè)計融合算法對候選區(qū)域塊進行融合,并剔除重復(fù)的候選區(qū)域;最后,在融合形成的待分割目標(biāo)區(qū)域塊中進行低照度邊緣搜索,并使用失真代價較小的局部增強算法,強化了分割目標(biāo)低照度邊緣特征。針對圖像中分割目標(biāo)細節(jié)較模糊的問題,本文研究了基于全卷積網(wǎng)絡(luò)的語義分割算法。在全卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上級聯(lián)一個尺度金字塔空間,形成一個多尺度角點檢測器;尺度金字塔空間從不同尺度特征圖中檢測待分割目標(biāo)的關(guān)鍵點,學(xué)習(xí)圖像中更深層次的上下文特征信息,提高了語義分割的精度。針對手工標(biāo)注數(shù)據(jù)集難度較大... 

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀及其進展
        1.2.1 場景理解研究和發(fā)展概況
        1.2.2 場景理解概述
        1.2.3 語義分割算法研究現(xiàn)狀
    1.3 本文主要研究內(nèi)容及結(jié)構(gòu)安排
        1.3.1 論文主要研究內(nèi)容
        1.3.2 論文結(jié)構(gòu)安排
第二章 場景語義分割理論
    2.1 引言
    2.2 語義分割理論
        2.2.1 人工神經(jīng)網(wǎng)絡(luò)
        2.2.2 神經(jīng)網(wǎng)絡(luò)與語義分割
        2.2.3 語義分割策略
    2.3 語義分割基礎(chǔ)指標(biāo)
        2.3.1 數(shù)據(jù)集
        2.3.2 評價方法
    2.4 本章小結(jié)
第三章 基于區(qū)域候選網(wǎng)絡(luò)的語義分割算法
    3.1 引言
    3.2 邊緣檢測算法
        3.2.1 邊緣檢測標(biāo)準(zhǔn)
        3.2.2 邊緣檢測算子
    3.3 低照度邊緣檢測算法
        3.3.1 特征提取
        3.3.2 候選區(qū)域生成
        3.3.3 候選區(qū)域融合
        3.3.4 低照度邊緣搜索
        3.3.5 低照度邊緣增亮
    3.4 實驗分析
        3.4.1 實驗數(shù)據(jù)集
        3.4.2 實驗配置及評價指標(biāo)
        3.4.3 實驗結(jié)果
    3.5 本章小結(jié)
第四章 基于尺度金字塔空間的語義分割算法
    4.1 引言
    4.2 概率圖模型
        4.2.1 基礎(chǔ)概率圖模型
        4.2.2 超圖模型
    4.3 目標(biāo)全局解析網(wǎng)絡(luò)
        4.3.1 特征提取
        4.3.2 多尺度角點檢測器
        4.3.3 多尺度聯(lián)合池化
        4.3.4 組歸一化
    4.4 實驗分析
        4.4.1 實驗數(shù)據(jù)集
        4.4.2 實驗配置及評價指標(biāo)
        4.4.3 實驗結(jié)果
    4.5 本章小結(jié)
第五章 基于弱監(jiān)督語義信息感知的分割算法
    5.1 引言
    5.2 弱或半監(jiān)督語義分割方法
        5.2.1 基于圖像級標(biāo)簽的方法
        5.2.2 基于邊框注釋的方法
        5.2.3 基于半監(jiān)督的方法
    5.3 弱監(jiān)督語義信息感知
        5.3.1 邊框注釋特征感知
        5.3.2 圖像級標(biāo)簽特征感知
        5.3.3 真實分布近似值迭代
        5.3.4 網(wǎng)絡(luò)架構(gòu)
    5.4 實驗分析
        5.4.1 實驗配置
        5.4.2 評價指標(biāo)
        5.4.3 實驗結(jié)果
    5.5 本章小結(jié)
第六章 總結(jié)
    6.1 主要工作回顧
    6.2 本課題今后需進一步研究的地方
參考文獻
個人簡歷在讀期間發(fā)表的學(xué)術(shù)論文
致謝


【參考文獻】：
博士論文
[1]異質(zhì)數(shù)據(jù)融合的道路場景語義理解[D]. 黃文琦.浙江大學(xué) 2015

碩士論文
[1]道路場景理解技術(shù)的研究[D]. 鄧思雨.吉林大學(xué) 2016



本文編號：3698263