基于深度学习的智能车辆环境语义分割算法研究

发布时间：2021-09-22 21:22

　　近年来,道路安全事故频发、城市交通拥堵等亟需解决的问题推动着智能驾驶技术相关研究和对应市场应用的快速发展。其中智能车辆环境信息感知是目前智能驾驶最为关键的研究任务之一,而基于深度学习的环境语义分割算法作为智能驾驶系统中环境感知模块的关键技术,也越来越受到相关研究人员的重视。本文主要研究工作围绕基于深度学习的智能车辆环境语义分割算法展开,具体研究内容如下:1.分析现有常用智能车辆语义分割环境理解数据库数据优缺点（Cityscapes,Mapillary,Camvid等）,使用Lable Me标注工具对实际路试采集数据进行人工标注,确定本文语义分割算法研究所使用的数据库,确保本文所设计的深度学习语义分割模型能够实现对智能车辆所处的实际道路环境理解以及适用于本文语义分割算法研究的性能评价指标,设计了模型预测准确率评估函数。2.设计优化解析全局语义信息语义分割模型。该模型基于Deeplab架构,结合了PSPNet模型中空间金字塔池化特征融合模块实现优化解析模型全局语义信息。本文设计的语义分割数据库模型平均预测准确率相比Deeplab模型提高了0.27%。相比于原模型,模型对车辆所处场景内交通标... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：88 页

【学位级别】：硕士

【部分图文】：

全卷积网络结构变化

吉林大学硕士学位论文 (Conditional Random Fields)嵌入到深度学习神经网络中实现端到端训实现图像语义分割错误!未找到引用源。，相比于单纯设计神经网络实现语义分割模型预测得到的特征张量经过条件随机场实现预测结果优化，提高整体结果准确度，具体网络结构如图 1.3 所示，后续绝大多数深度学习语义均考虑采用条件随机场(CRF)进一步提高模型性能。

图 1.4 SegNet 网络结构示意1.3 论文主要研究内容本文主要研究内容为基于深度学习的智能车辆环境语义分割理解。前期工作中分析比较了大量目前国内外优秀的深度学习语义分割文献，深入理解对应深度学习语义分割模型[14]。为了实现智能车辆所处的实际场景环境理解，本论文的主要研究内容包含以下三部分。第一部分，研究分析目前在智能驾驶领域较为常见的环境语义分割现有数据库，分析总结各数据库的优缺点，并对实际采集的道路环境数据进行人工标注，并转换为模型可训练数据，考虑手工标注的难度和耗时，分析选择现有数据库中效果最适合本文研究的 Cityscapes 数据集[15]与本文研究人工标注得到的环境数

【参考文献】：
期刊论文
[1]深度网络模型压缩综述[J]. 雷杰,高鑫,宋杰,王兴路,宋明黎.  软件学报. 2018(02)
[2]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)
[3]基于DCNN的图像语义分割综述[J]. 魏云超,赵耀.  北京交通大学学报. 2016(04)
[4]基于上海市消费者的汽车共享选择分析[J]. 周彪,周溪召,李彬.  上海理工大学学报. 2014(01)
[5]无人驾驶汽车的发展现状及方向[J]. 乔维高,徐学进.  上海汽车. 2007(07)

博士论文
[1]面向室内场景的3D场景重建与语义理解[D]. 赵哲.中国科学技术大学 2016
[2]基于视觉的自主车道路环境理解技术研究[D]. 杜明芳.北京理工大学 2015

硕士论文
[1]基于引导域的参数化RRT无人驾驶车辆运动规划算法研究[D]. 冯来春.中国科学技术大学 2017



本文编号：3404394