面向自动驾驶的高效稳定卷积神经网络算法
发布时间：2020-09-12 11:55
自动驾驶近年来受到广泛关注,国内外众多的科技公司、汽车企业、研究机构都在积极研究并试验自动驾驶技术。道路驾驶环境作为一种开放式环境,有场景和气候多变、目标种类复杂、物体数量多等特点。应对这种环境,自动驾驶系统要求感知模型能够稳定、实时地应对任何复杂情况,并且能够融合各种感知模型的结果,进行最终决策。基于深度学习的视觉感知算法一般使用卷积神经网络,这种方法需要大量的并行运算和存储空间,这就对车载计算设备的并行计算性能和电源供应提出了很高要求,进一步限制了深度学习方法在自动驾驶汽车上的实际应用。本文研究面向高级自动驾驶领域的深度学习算法,主要关注用于视觉感知的卷积神经网络方法。为了使神经网络能提供更加稳定可靠的结果,设计了一种能自学习地降低不确定度的框架,通过引入不确定度学习层和不确定度损失项,显著降低自动驾驶视觉感知模型在不同环境下预测结果的不确定度,适合用于自动驾驶系统这类场景复杂多变的智能系统中。为解决卷积神经网络计算复杂度高、难以达到自动驾驶实时性要求的缺点,设计了一种包含多个输出旁路的高效卷积神经网络,采用基于信息熵的评价指标以评估各旁路的分类置信度,提出了基于交叉熵损失项难例权重函数的难例挖掘策略、平衡系数可调节的自适应阈值设置方法,从而达到提前分类的目的。本文的主要贡献有:(1)研究了数种主流的适用于自动驾驶汽车的卷积神经网络模型;(2)提出了一种自学习降低不确定度的神经网络框架,能够显著降低自动驾驶这种复杂任务中神经网络模型的不确定度,提高自动驾驶视觉感知系统的稳定性;(3)提出了一种难例自适应的高效卷积神经网络,有效降低了卷积神经网络的计算量,该方法可用于多种视觉感知任务。
【学位单位】：天津大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：U463.6;TP183
【部分图文】：
天津大学硕士学位论文图1-2 Navigant Research对19家自动驾驶企业的定位DeepLab[20,22]是一种基于卷积神经网络的图像语义分割方法，得到语义分割这种逐像素的预测可以更好的识别车道线、树木这类用二维框或三维框不能很好表示的物体。PANet[23]是最近提出的一种先进的实例分割方法，与语义分割不同，实例分割将感兴趣的目标逐实例逐像素地标注，这样就可以区分每类物体的不同个体，可以说实例分割集目标检测和语义分割的优点于一身。虽然已有多种面向自动驾驶视觉感知的深度学习算法，但由于深度学习方法有计算量大、要求高性能的并行计算设备、功耗高的缺点，直接将上述算法应用于实际的自动驾驶系统还有困难，难以满足自动驾驶任务对功耗和实时性的要求。另外
3章 卷积神经网络图3-3 Cityscapes数据包含的城市含恶劣天气下的数据，并且标注的都是经过手工筛选的场景变化丰富的图像。作为辅助，Cityscapes还提供了该帧图像前后1.8秒的视频数据、双目图像、GPS坐标、车辆运动数据和车外温度。Cityscapes的具体类别定义见表3-2，表格中*符号表示该类别提供实例分割标签，+符号表示在算法评价中不使用此标签打分。表3-2 Cityscapes数据集类别定义类别分组 类别flat road, sidewalk, parking+, rail track+human person*, rider*vehicle car*, truck*, bus*, on rails*, motorcycle*, bicycle*, caravan*+, trailer*+construction building, wall, fence, guard rail+, bridge+, tunnel+object pole, pole group+, traffic sign, traffic lightnature vegetation, terrainsky skyvoid ground+, dynamic+, static+3.3常用的卷积神经网络卷积神经网络是视觉感知任务中的常用方法，并且在面向高级自动驾驶的几个常见视觉任务中都取得了最好效果。本节将介绍几种典型的卷积神经网络，其中包括作为其他任务的基础网络的两种常用分类网络，和能够为自动驾驶感知融合模块提供模型不确定度的Bayesian SegNet[37
DenseBlock示例如图3-7所示，图片来自DenseNet[15]。这样的结构有几点好处，最重要的两点是：第一，与ResNet一致地，这种结构能够避免梯度消失；第二，这种结构有利于复用特征，减少神经网络参数量。图3-7一个5层的Dense Block示意DenseNet与ResNet除连接方式上的区别外，有一个重要区别是特征融合的策略：ResNet使用了逐元素相加，而DenseNet使用了连接操作（Concatenation）。也就是说
【学位单位】：天津大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：U463.6;TP183
【部分图文】：
天津大学硕士学位论文图1-2 Navigant Research对19家自动驾驶企业的定位DeepLab[20,22]是一种基于卷积神经网络的图像语义分割方法，得到语义分割这种逐像素的预测可以更好的识别车道线、树木这类用二维框或三维框不能很好表示的物体。PANet[23]是最近提出的一种先进的实例分割方法，与语义分割不同，实例分割将感兴趣的目标逐实例逐像素地标注，这样就可以区分每类物体的不同个体，可以说实例分割集目标检测和语义分割的优点于一身。虽然已有多种面向自动驾驶视觉感知的深度学习算法，但由于深度学习方法有计算量大、要求高性能的并行计算设备、功耗高的缺点，直接将上述算法应用于实际的自动驾驶系统还有困难，难以满足自动驾驶任务对功耗和实时性的要求。另外
3章 卷积神经网络图3-3 Cityscapes数据包含的城市含恶劣天气下的数据，并且标注的都是经过手工筛选的场景变化丰富的图像。作为辅助，Cityscapes还提供了该帧图像前后1.8秒的视频数据、双目图像、GPS坐标、车辆运动数据和车外温度。Cityscapes的具体类别定义见表3-2，表格中*符号表示该类别提供实例分割标签，+符号表示在算法评价中不使用此标签打分。表3-2 Cityscapes数据集类别定义类别分组 类别flat road, sidewalk, parking+, rail track+human person*, rider*vehicle car*, truck*, bus*, on rails*, motorcycle*, bicycle*, caravan*+, trailer*+construction building, wall, fence, guard rail+, bridge+, tunnel+object pole, pole group+, traffic sign, traffic lightnature vegetation, terrainsky skyvoid ground+, dynamic+, static+3.3常用的卷积神经网络卷积神经网络是视觉感知任务中的常用方法，并且在面向高级自动驾驶的几个常见视觉任务中都取得了最好效果。本节将介绍几种典型的卷积神经网络，其中包括作为其他任务的基础网络的两种常用分类网络，和能够为自动驾驶感知融合模块提供模型不确定度的Bayesian SegNet[37
DenseBlock示例如图3-7所示，图片来自DenseNet[15]。这样的结构有几点好处，最重要的两点是：第一，与ResNet一致地，这种结构能够避免梯度消失；第二，这种结构有利于复用特征，减少神经网络参数量。图3-7一个5层的Dense Block示意DenseNet与ResNet除连接方式上的区别外，有一个重要区别是特征融合的策略：ResNet使用了逐元素相加，而DenseNet使用了连接操作（Concatenation）。也就是说
【相似文献】
相关期刊论文 前10条
1 刘梓葳;;浅谈自动驾驶汽车的发展与挑战[J];科技传播;2018年23期
2 何姗姗;;美国与德国在自动驾驶领域的两种立法探索[J];摩托车技术;2018年11期
3 曹思语;;自动驾驶技术给交通带来的挑战[J];通讯世界;2019年01期
4 陆e
本文编号：2817599
本文链接：https://www.wllwen.com/kejilunwen/qiche/2817599.html
