交通场景语义理解算法研究

发布时间：2022-10-29 19:13

　　随着智能交通系统（ITS）的飞速发展,无人驾驶车辆的性能日趋精进。场景理解技术是无人驾驶车辆的重要技术之一,而语义分割是场景理解技术的第一步也是关键一步。受复杂交通环境的影响,语义分割的结果易出现低照度边缘处理不佳、分割目标细节较模糊的问题;在交通图像采集阶段,手工标注数据集也是极其困难的;针对这些问题本论文基于深度卷积神经网络对语义分割算法进行了以下研究。针对图像语义分割过程中,对于低照度边缘处理不佳的问题,本文首先借助于深度残差网络,学习了图像中更多的高阶语义特征;其次,采用区域候选网络加速生成了待分割目标候选区域块;然后,设计融合算法对候选区域块进行融合,并剔除重复的候选区域;最后,在融合形成的待分割目标区域块中进行低照度边缘搜索,并使用失真代价较小的局部增强算法,强化了分割目标低照度边缘特征。针对图像中分割目标细节较模糊的问题,本文研究了基于全卷积网络的语义分割算法。在全卷积神经网络的基础上级联一个尺度金字塔空间,形成一个多尺度角点检测器;尺度金字塔空间从不同尺度特征图中检测待分割目标的关键点,学习图像中更深层次的上下文特征信息,提高了语义分割的精度。针对手工标注数据集难度较大... 

【文章页数】：58 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状及其进展
        1.2.1 场景理解研究和发展概况
        1.2.2 场景理解概述
        1.2.3 语义分割算法研究现状
    1.3 本文主要研究内容及结构安排
        1.3.1 论文主要研究内容
        1.3.2 论文结构安排
第二章 场景语义分割理论
    2.1 引言
    2.2 语义分割理论
        2.2.1 人工神经网络
        2.2.2 神经网络与语义分割
        2.2.3 语义分割策略
    2.3 语义分割基础指标
        2.3.1 数据集
        2.3.2 评价方法
    2.4 本章小结
第三章 基于区域候选网络的语义分割算法
    3.1 引言
    3.2 边缘检测算法
        3.2.1 边缘检测标准
        3.2.2 边缘检测算子
    3.3 低照度边缘检测算法
        3.3.1 特征提取
        3.3.2 候选区域生成
        3.3.3 候选区域融合
        3.3.4 低照度边缘搜索
        3.3.5 低照度边缘增亮
    3.4 实验分析
        3.4.1 实验数据集
        3.4.2 实验配置及评价指标
        3.4.3 实验结果
    3.5 本章小结
第四章 基于尺度金字塔空间的语义分割算法
    4.1 引言
    4.2 概率图模型
        4.2.1 基础概率图模型
        4.2.2 超图模型
    4.3 目标全局解析网络
        4.3.1 特征提取
        4.3.2 多尺度角点检测器
        4.3.3 多尺度联合池化
        4.3.4 组归一化
    4.4 实验分析
        4.4.1 实验数据集
        4.4.2 实验配置及评价指标
        4.4.3 实验结果
    4.5 本章小结
第五章 基于弱监督语义信息感知的分割算法
    5.1 引言
    5.2 弱或半监督语义分割方法
        5.2.1 基于图像级标签的方法
        5.2.2 基于边框注释的方法
        5.2.3 基于半监督的方法
    5.3 弱监督语义信息感知
        5.3.1 边框注释特征感知
        5.3.2 图像级标签特征感知
        5.3.3 真实分布近似值迭代
        5.3.4 网络架构
    5.4 实验分析
        5.4.1 实验配置
        5.4.2 评价指标
        5.4.3 实验结果
    5.5 本章小结
第六章 总结
    6.1 主要工作回顾
    6.2 本课题今后需进一步研究的地方
参考文献
个人简历在读期间发表的学术论文
致谢


【参考文献】：
博士论文
[1]异质数据融合的道路场景语义理解[D]. 黄文琦.浙江大学 2015

硕士论文
[1]道路场景理解技术的研究[D]. 邓思雨.吉林大学 2016



本文编号：3698263