基于深度学习的道路目标检测算法研究

发布时间：2024-01-23 20:01

　　在“新四化”和“碳中和、碳达峰”双碳目标下,自动驾驶作为“智能化”的核心之一得到了快速发展。道路目标检测(车辆检测、行人检测等)是自动驾驶感知任务中较为基础且重要的技术,然而,自动驾驶的场景具有环境复杂、情况多变的特点,目标遮挡、光照影响等都会导致通用检测算法的失败。可见,道路目标检测算法仍有较大的提升空间,而如何控制目标的误检以及提高目标的检测精度等是非常重要的研究方向,论文的主要工作概括如下:(1)为加强自动驾驶平台对车辆误检的控制能力,提出一种强化负样本车辆检测算法。首先,为协调分类和回归的一致性,基于Generalized Focal Loss对损失函数进行改进来优化两分支;其次,引入自适应训练样本选择策略来更好的平衡正负样本;最后设计一个负样本提取与融合模块,对高质量负样本进行充分利用,且以一种优化误检的半监督学习方法来迭代训练网络模型。在KITTI数据集和UA-DETRAC数据集上的实验结果表明,该算法相较于其他主流的目标检测算法在精度上有明显提升,且在误检控制效果上有大幅改善。(2)为提高算法在复杂场景中的检测精度,通过对网络结构进行改进,提出一种基于可变形卷积网络的道路...

【文章页数】：82 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 自动驾驶研究现状
        1.2.2 传统目标检测算法研究现状
        1.2.3 基于深度学习的目标检测算法研究现状
        1.2.4 自动驾驶数据集现状
    1.3 本文的研究内容及结构安排
第2章 道路交通目标检测的基本理论研究
    2.1 卷积神经网络
        2.1.1 激活函数
        2.1.2 损失函数
        2.1.3 网络模型
    2.2 基于深度学习的道路交通目标检测算法
        2.2.1 anchor-based 目标检测算法
        2.2.2 anchor-free 目标检测算法
    2.3 基于GFL的道路交通目标检测算法
        2.3.1 算法原理
        2.3.2 实验环境
        2.3.3 性能评价标准
        2.3.4 基准模型实验分析
    2.4 本章小结
第3章 一种强化负样本车辆检测算法
    3.1 引言
    3.2 该算法的相关工作
        3.2.1 最大IoU分配策略
    3.3 基于改进 anchor-free 的车辆检测算法
        3.3.1 算法网络结构
        3.3.2 骨干网络
        3.3.3 半监督学习
        3.3.4 损失函数设计
    3.4 开发环境搭建
        3.4.1 Anaconda 搭建
        3.4.2 PyTorch 框架搭建
    3.5 实验与分析
        3.5.1 实验数据集
        3.5.2 实验参数设置
        3.5.3 基于迁移学习的训练方式
        3.5.4 数据预处理
        3.5.5 实验对比分析
        3.5.6 消融实验
    3.6 本章小结
第4章 基于可变形卷积网络的道路目标检测算法
    4.1 引言
    4.2 算法的整体网络结构
        4.2.1 可变形卷积
        4.2.2 全局上下文模块
        4.2.3 注意力统一物体检测头
        4.2.4 Soft-NMS
    4.3 实验与分析
        4.3.1 实验参数设置
        4.3.2 实验数据集SODA10M
        4.3.3 实验对比分析
        4.3.4 消融实验
        4.3.5 不同输入尺寸的对比实验
    4.4 结论
第5章 实际道路目标检测实验分析
    5.1 数据集制作
        5.1.1 数据采集
        5.1.2 数据标注
        5.1.3 自制数据集的信息
    5.2 实验分析
    5.3 本章小结
第6章 结论与展望
    6.1 结论
    6.2 展望
参考文献
致谢
攻读学位期间参加的科研项目和成果



本文编号：3883279