基于自动驾驶城市场景的语义分割研究

发布时间：2023-05-06 20:55

　　随着人工智能技术的飞速发展,车辆的自动驾驶离人们的生活越来越近。自动驾驶整个运行流程中首先需要依赖各种车载传感器收集车辆周围的各种环境数据,进而利用各种分析算法分析得到计算机可感知的环境信息,然后利用感知到的信息指导车辆规划决策。然而目前车辆使用的激光雷达等传感器大多成本高昂,不利于自动驾驶车辆的大规模普及。相比较而言,摄像头成本低廉且可以获得大量的周围环境信息,因此,研究基于摄像头的自动驾驶感知算法具有重要的意义。图像语义分割是自动驾驶感知中最重要的技术之一,利用图像语义分割的结果可以得到车辆的可行驶区域信息、前方障碍物信息等。在深度学习与卷积神经网络在近几年兴起之后,涌现了众多以深度学习为基础的图像语义分割算法,基本都能实现端到端的图像语义分割输出。但目前距离图像语义分割算法真正使用到自动驾驶系统中还存在着一些问题:(1)许多算法不能实时运行,这无法满足安全性为主的自动驾驶的需求;(2)自动驾驶场景中场景复杂、种类众多造成训练数据样本不均衡,许多算法对于小样本的检测效果不好。因此自动驾驶城市场景的图像语义分割还存在许多问题需要解决,本文的研究重点是基于自动驾驶场景中的可实时的图像语...

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景与研究意义
    1.2 研究现状与发展趋势
        1.2.1 前深度学习时代语义分割研究
        1.2.2 深度学习时代语义分割研究
    1.3 本文主要研究内容
第2章 基于CNN的图像语义分割算法与评价指标
    2.1 经典特征提取网络
        2.1.1 VGG系列
        2.1.2 ResNet网络
        2.1.3 空洞卷积与深度可分离卷积
    2.2 基于CNN的图像语义分割算法
        2.2.1 全卷积神将网络(FCN)
        2.2.2 编码-解码结构U-Net
        2.2.3 DeepLab系列
    2.3 图像语义分割评价指标
        2.3.1 基于像素的精度
        2.3.2 mIoU
    2.4 本章小结
第3章 构建轻量级可实时图像语义分割网络
    3.1 图像语义分割算法在自动驾驶中的问题
    3.2 图像语义分割算法存在问题分析
        3.2.1 实时运行问题分析
        3.2.2 种类不均衡问题分析
        3.2.3 模型在移动端或嵌入式端运行问题分析
    3.3 轻量级图像语义分割网络构建
        3.3.1 多分支结构
        3.3.2 downsampling模块
        3.3.3 金字塔池化尺度融合模块
        3.3.4 Add模块
        3.3.5 残差结构
        3.3.6 激活函数的选择
        3.3.7 upsampling方法
    3.4 多级监督损失函数以及损失函数改进
        3.4.1 辅助监督损失计算
        3.4.2 抑制性交叉熵损失函数
    3.5 本章小结
第4章 算法模型的实现与实验结果分析
    4.1 算法实验平台
    4.2 实验数据集
        4.2.1 Cityscapes数据集
        4.2.2 自制作城市道路场景数据集
    4.3 实验前期准备与策略设计
        4.3.1 数据预处理
        4.3.2 模型训练参数设置
        4.3.3 模型分级训练
    4.4 对比实验及结果
        4.4.2在自制作数据集上的实验
    4.5 嵌入式平台中模型的加速
        4.5.1 TensorRT简介
        4.5.2 TensorRT加速原理
        4.5.3 TensorRT加速效果比较
    4.6 模型的实车测试
    4.7 本章小结
第5章 总结与展望
    5.1 本文工作总结
    5.2 未来研究方向
参考文献
致谢



本文编号：3809599