基于卷积神经网络的城市场景语义分割研究

发布时间：2021-11-29 00:02

　　目前,自动驾驶领域和无人机配送领域的主要场景均为城市场景。在自动驾驶领域中需要实时分析车辆周围环境以保证车辆安全的驾驶,无人机配送领域也是如此。随着自动驾驶行业和无人机配送的迅速发展,对周边环境的分割需求也变得与日俱增,因此对城市场景的分割研究具有非常重要的现实意义。现阶段的语义分割技术可以被概况为两步:第一步是通过卷积操作提取图像特征,完成对图像信息的提取和理解;第二步是用来恢复特征图的上采样操作。目前语义分割的研究大多侧重于分割精度提升的方法,如DeepLab系列等,对分割效率的研究并不是很多,然而实际生活的应用中,分割效率也是很重要的一部分。本文提出了一种基于稠密连接网络的实时语义分割网络模型来完成对城市场景的分割研究。在网络模型中反复使用稠密连接块来提取特征信息,并且稠密连接块中使用非对称卷积,扩张卷积等最新研究成果,使模型能够高效准确的完成城市场景的分割任务。在PyTorch框架上使用Cityscapes数据集来完成对模型的训练和测试,通过实验完成对模型的参数和结构的选择,包括增长率,解码器结构,空洞空间金字塔池化结构等。还使用了模型简单融合的方法以及分阶段训练的方法对分割精... 

【文章来源】：西南交通大学四川省 211工程院校 教育部直属院校

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 课题的研究背景和意义
    1.2 语义分割任务的国内外研究现状
    1.3 论文的结构与主要工作
第2章 卷积神经网络
    2.1 经典卷积神经网络的发展
    2.2 经典网络介绍
        2.2.1 AlexNet
        2.2.2 VGGNet
        2.2.3 Google Inception系列
        2.2.4 ResNet
        2.2.5 Densenet
    2.3 卷积神经网络中的重要组成部分
        2.3.1 卷积层
        2.3.2 池化层
        2.3.3 非线性激活函数
    2.4 本章小结
第3章 基于稠密连接网络的实时语义分割模型设计
    3.1 网络模型整体结构设计
    3.2 模型各模块细节设计
        3.2.1 下采样模块设计
        3.2.2 改进的稠密连接块
        3.2.3 上采样模块的选择
    3.3 模型结果衡量指标的选择
    3.4 本章小结
第4章 模型实现与实验结果分析
    4.1 实验数据描述及对比
        4.1.1 实验数据集描述
        4.1.2 实验数据集对比
        4.1.3 数据的预处理操作
    4.2 实验环境介绍
        4.2.1 基本配置介绍
        4.2.2 深度学习框架PyTorch介绍
    4.3 实验数据的处理及训练超参数设置
    4.4 实验结果与分析
        4.4.1 网络增长率大小选择对模型的影响
        4.4.2 解码器结构对模型的影响
        4.4.3 获取上下文信息的结构选择
        4.4.4 带有非对称卷积的稠密连接块的作用
        4.4.5 模型整体测试优化
    4.5 同其他网络模型对比
    4.6 本章小结
总结和展望
    工作总结
    工作展望
致谢
参考文献
攻读硕士学位期间发表的论文及科研成果


【参考文献】：
期刊论文
[1]图像语义分割深度学习模型综述[J]. 张新明,祝晓斌,蔡强,刘新亮,邵玮,王磊.  高技术通讯. 2017(Z1)
[2]图像物体分类与检测算法综述[J]. 黄凯奇,任伟强,谭铁牛.  计算机学报. 2014(06)



本文编号：3525420