基于全卷积神经网络的停车场车辆实例语义分割算法研究

发布时间：2023-04-26 03:29

　　随着我国汽车时代的到来,“停车难”是一个亟待解决的大问题,利用停车场现有的摄像头,对停车场车辆和空车位进行精准识别和定位是一种高效率、低成本的解决方案。近年来,以NVIDIA为代表的高性能计算开发商引领算力跨越式发展;卷积神经网络统领了整个图像领域,取得一项项辉煌成果。图像语义分割以像素级精确度定位停车场中的车辆,其中,全卷积神经网络(FCNs)的出现为实例语义分割提供了新的前进动力。然而,首先大规模语义图像数据集的缺乏会大幅度削弱神经网络的泛化能力;其次深层卷积神经网络的降采样和特征图谱的稀疏性会导致小尺寸目标丢失;最后高质量实例语义分割网络参数众多,训练过程中极易过拟合。面对以上问题,本文对停车场中车辆进行实例语义分割相关研究,其主要工作如下:针对提高实例语义分割网络的泛化能力,引入了残差网络(ResNet)和大规模增加语义图像数据。在收集数据集方面,主要从两方面入手,一、从真实图像数据入手,统一当前主流开源数据集(如:MS COCO、PASCAL VOC、SUN、Cityscapes等),提取车辆数据,并按MS COCO标准制作一个全新数据集;二、从虚拟数据入手,基于Blende...

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题研究背景
    1.2 国内外研究现状
        1.2.1 基于深度学习图像数据集研究现状
        1.2.2 图像分割的研究现状
    1.3 论文的主要研究内容
第二章 停车场语义图像数据集的生成研究
    2.1 引言
    2.2 统一开源图像数据集标准制作车辆语义图像数据集
        2.2.1 相关开源数据集介绍
        2.2.2 制作统一开源数据集流程
    2.3 基于Blender制作虚拟车辆语义图像数据集
        2.3.1 基于Blender制作虚拟车辆图像
        2.3.2 基于Blender标注虚拟车辆图片语义标签
    2.4 本章小结
第三章 基于特征融合的深度语义分割网络构建研究
    3.1 引言
    3.2 相关模型介绍
        3.2.1 ParseNet:增强全局信息语义模型
        3.2.2 ION:增强上下文信息和多尺度表征模型
        3.2.3 HyperNet:多尺度超特征模型
    3.3 基于特征融合的语义分割模型设计
        3.3.1 位置敏感型特征提取
        3.3.2 语义特征融合
    3.4 实验结果分析
    3.5 本章小结
第四章 基于卷积神经网络降采样致小目标特征消失研究
    4.1 引言
    4.2 基于Dual RPN增强提取预选框能力
        4.2.1 相关预选框提取网络介绍
        4.2.2 Dual RPN网络设计
    4.3 一种有效增加目标分辨率的数据增强方案
        4.3.1 Dual RPN实验分析
        4.3.2 数据增强实验分析
    4.4 实验结果分析
    4.5 本章小结
第五章 实验环境搭建与算法实现流程
    5.1 实验环境搭建
    5.2 算法实现流程
第六章 工作总结与展望
    6.1 工作总结
    6.2 工作展望
参考文献
个人简历在读期间发表的学术论文
致谢



本文编号：3801651