在“新四化”和“碳中和、碳達(dá)峰”雙碳目標(biāo)下,自動(dòng)駕駛作為“智能化”的核心之一得到了快速發(fā)展。道路目標(biāo)檢測(cè)(車(chē)輛檢測(cè)、行人檢測(cè)等)是自動(dòng)駕駛感知任務(wù)中較為基礎(chǔ)且重要的技術(shù),然而,自動(dòng)駕駛的場(chǎng)景具有環(huán)境復(fù)雜、情況多變的特點(diǎn),目標(biāo)遮擋、光照影響等都會(huì)導(dǎo)致通用檢測(cè)算法的失敗�？梢�(jiàn),道路目標(biāo)檢測(cè)算法仍有較大的提升空間,而如何控制目標(biāo)的誤檢以及提高目標(biāo)的檢測(cè)精度等是非常重要的研究方向,論文的主要工作概括如下:(1)為加強(qiáng)自動(dòng)駕駛平臺(tái)對(duì)車(chē)輛誤檢的控制能力,提出一種強(qiáng)化負(fù)樣本車(chē)輛檢測(cè)算法。首先,為協(xié)調(diào)分類和回歸的一致性,基于Generalized Focal Loss對(duì)損失函數(shù)進(jìn)行改進(jìn)來(lái)優(yōu)化兩分支;其次,引入自適應(yīng)訓(xùn)練樣本選擇策略來(lái)更好的平衡正負(fù)樣本;最后設(shè)計(jì)一個(gè)負(fù)樣本提取與融合模塊,對(duì)高質(zhì)量負(fù)樣本進(jìn)行充分利用,且以一種優(yōu)化誤檢的半監(jiān)督學(xué)習(xí)方法來(lái)迭代訓(xùn)練網(wǎng)絡(luò)模型。在KITTI數(shù)據(jù)集和UA-DETRAC數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,該算法相較于其他主流的目標(biāo)檢測(cè)算法在精度上有明顯提升,且在誤檢控制效果上有大幅改善。(2)為提高算法在復(fù)雜場(chǎng)景中的檢測(cè)精度,通過(guò)對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn),提出一種基于可變形卷積網(wǎng)絡(luò)的道路...

【文章頁(yè)數(shù)】：82 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 自動(dòng)駕駛研究現(xiàn)狀
        1.2.2 傳統(tǒng)目標(biāo)檢測(cè)算法研究現(xiàn)狀
        1.2.3 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法研究現(xiàn)狀
        1.2.4 自動(dòng)駕駛數(shù)據(jù)集現(xiàn)狀
    1.3 本文的研究?jī)?nèi)容及結(jié)構(gòu)安排
第2章 道路交通目標(biāo)檢測(cè)的基本理論研究
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.1 激活函數(shù)
        2.1.2 損失函數(shù)
        2.1.3 網(wǎng)絡(luò)模型
    2.2 基于深度學(xué)習(xí)的道路交通目標(biāo)檢測(cè)算法
        2.2.1 anchor-based 目標(biāo)檢測(cè)算法
        2.2.2 anchor-free 目標(biāo)檢測(cè)算法
    2.3 基于GFL的道路交通目標(biāo)檢測(cè)算法
        2.3.1 算法原理
        2.3.2 實(shí)驗(yàn)環(huán)境
        2.3.3 性能評(píng)價(jià)標(biāo)準(zhǔn)
        2.3.4 基準(zhǔn)模型實(shí)驗(yàn)分析
    2.4 本章小結(jié)
第3章 一種強(qiáng)化負(fù)樣本車(chē)輛檢測(cè)算法
    3.1 引言
    3.2 該算法的相關(guān)工作
        3.2.1 最大IoU分配策略
    3.3 基于改進(jìn) anchor-free 的車(chē)輛檢測(cè)算法
        3.3.1 算法網(wǎng)絡(luò)結(jié)構(gòu)
        3.3.2 骨干網(wǎng)絡(luò)
        3.3.3 半監(jiān)督學(xué)習(xí)
        3.3.4 損失函數(shù)設(shè)計(jì)
    3.4 開(kāi)發(fā)環(huán)境搭建
        3.4.1 Anaconda 搭建
        3.4.2 PyTorch 框架搭建
    3.5 實(shí)驗(yàn)與分析
        3.5.1 實(shí)驗(yàn)數(shù)據(jù)集
        3.5.2 實(shí)驗(yàn)參數(shù)設(shè)置
        3.5.3 基于遷移學(xué)習(xí)的訓(xùn)練方式
        3.5.4 數(shù)據(jù)預(yù)處理
        3.5.5 實(shí)驗(yàn)對(duì)比分析
        3.5.6 消融實(shí)驗(yàn)
    3.6 本章小結(jié)
第4章 基于可變形卷積網(wǎng)絡(luò)的道路目標(biāo)檢測(cè)算法
    4.1 引言
    4.2 算法的整體網(wǎng)絡(luò)結(jié)構(gòu)
        4.2.1 可變形卷積
        4.2.2 全局上下文模塊
        4.2.3 注意力統(tǒng)一物體檢測(cè)頭
        4.2.4 Soft-NMS
    4.3 實(shí)驗(yàn)與分析
        4.3.1 實(shí)驗(yàn)參數(shù)設(shè)置
        4.3.2 實(shí)驗(yàn)數(shù)據(jù)集SODA10M
        4.3.3 實(shí)驗(yàn)對(duì)比分析
        4.3.4 消融實(shí)驗(yàn)
        4.3.5 不同輸入尺寸的對(duì)比實(shí)驗(yàn)
    4.4 結(jié)論
第5章 實(shí)際道路目標(biāo)檢測(cè)實(shí)驗(yàn)分析
    5.1 數(shù)據(jù)集制作
        5.1.1 數(shù)據(jù)采集
        5.1.2 數(shù)據(jù)標(biāo)注
        5.1.3 自制數(shù)據(jù)集的信息
    5.2 實(shí)驗(yàn)分析
    5.3 本章小結(jié)
第6章 結(jié)論與展望
    6.1 結(jié)論
    6.2 展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間參加的科研項(xiàng)目和成果



本文編號(hào)：3883279