基于全卷积神经网络的自动驾驶语义分割研究
发布时间：2020-12-25 18:08
科技的进步使自动驾驶从人们的想象逐渐成为现实,为达到这个目的,离不开对道路场景的解析,这就需要语义分割技术。语义分割技术用于对图像中的每个像素进行分类,完成对道路场景的分析。早期的图像分割技术有诸多缺陷,后来的深度学习为之开辟了新的道路。近年来,卷积神经网络已经被广泛应用于语义分割任务,在图像分割领域有突出表现。全卷积神经网络的提出在语义分割发展的道路上有里程碑式的意义。基于全卷积神经网络的语义分割技术相对于早期的图像分割方法更灵活,更智能,在性能方面也更优越。不同于传统的卷积神经网络的最终输出的是向量,全卷积神经网络可以接受任意大小的输入并得到同样大小的输出特征图,是一个端到端的网络架构。本文在全卷积神经网络的基础上,通过使用跳跃连接、空洞卷积和多层特征融合等方法实现对语义分割网络的改进。本文主要围绕两个核心课题展开研究:提出一种简单的新型全卷积神经网络;提高语义分割网络性能。本文的研究内容如下:针对当前的卷积神经网络使用池化层导致的特征信息损失的问题,提出了一种简单的全卷积网络模型。与传统的卷积神经网络不同,该模型去除了池化层,整个模型主要由卷积层组成。在保留空间降维功能的前提下,...
【文章来源】：西华师范大学四川省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
语义分割效果图
第2章相关理论知识9式对输入特征的每个通道进行卷积操作，每一次卷积操作只处理一小块特征图，经过卷积变换后传入下一层，每一层卷积操作都会提取特征数据中最有效的特征，组成输出的特征图（FeatureMap），输出特征图的通道数和卷积核的个数相同，图2-2简单地展示了卷积操作过程。图2-2卷积操作Fig2-2Convolutionoperation如上图所示，左边为一个大小为5×5，padding为1的输入特征图，经过大小为3×3，步长为1的卷积核（滤波器）处理后，得到一个5×5的输出特征图结果。每一次卷积操作所得到一个特征值，该特征值是每一次卷积核卷积操作的区域与卷积核对应权值相乘后的总和，例如上图输入特征图的红框部分正在被执行卷积操作，其各部分的权值与卷积核相对应的权值分别求得乘积（padding部分权值为0），再将这些乘积累加得到数值为6的权值并赋值输出特征图对应位置。特征图的输出维度等于卷积核的个数。卷积层参数可看作是图像中对应位置像素的权重，将卷积核内各像素的加权值赋予中心像素，是为图像特征抽象的过程。该过程可用公式2-3表示为bwxfy)((2-3)上述式子中，x、y分别代表输入特征和输出特征，w表示卷积层参数，b表示偏移量，f为激活函数。在卷积神经网络中，输入数据经过加权求和后被应用于一个函数中，这个函数就是激活函数。激活函数[37]为神经元引入了非线性的因素，使得神经网络可以逼近任何非线性函数，这样就可以将神经网络应用到非线性模型中。常用的激活函数有sigmoid函数，tanh函数，Relu函数，LeakyRelu函数等。Sigmoid函数也叫Logistic函数，用于隐藏层的输出，输出在(0,1)之间，它可
第2章相关理论知识110<0,,)(xxififxxxf(2-7)从图2-3给出的Sigmoid激活函数、tanh激活函数、relu激活函数和leakyrelu激活函数的曲线图可以明显的看出各激活函数的特点。(a)sigmoid(b)tanh(c)relu(d)leakyrelu图2-3Sigmoid、tanh、relu和leakyrelu激活函数曲线Fig.2-3Thefunctioncurveofsigmoid,tanh,reluandleakyrelu池化层又称为子采样层（sub-samplingLayer）。卷积神经网络通过池化操作对数据进行降维，去除冗余信息，从而对特征进行压缩，因此降低了网络复杂度，减少了网络计算量、内存消耗等，所以，池化操作的直接目的就是降低下一层待处理的数据量，减少了参数数量，从而可以预防网络过拟合。同时，池化层可以扩大网络的感受野，以此获取更多的特征信息，也可以实现不变性，包括平移不变性、旋转不变性和尺度不变性。常用的池化方法有最大池化（MaxPooling）和平均池化（AveragePooling）两种。图2-4展示了两种池化操作的计算过程，最大池化就是取池化窗口中输入元素的最大值作为输出，同理，平均池化的输出则是池化窗口中输入元素的平均值。
本文编号：2938141
【文章来源】：西华师范大学四川省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
语义分割效果图
第2章相关理论知识9式对输入特征的每个通道进行卷积操作，每一次卷积操作只处理一小块特征图，经过卷积变换后传入下一层，每一层卷积操作都会提取特征数据中最有效的特征，组成输出的特征图（FeatureMap），输出特征图的通道数和卷积核的个数相同，图2-2简单地展示了卷积操作过程。图2-2卷积操作Fig2-2Convolutionoperation如上图所示，左边为一个大小为5×5，padding为1的输入特征图，经过大小为3×3，步长为1的卷积核（滤波器）处理后，得到一个5×5的输出特征图结果。每一次卷积操作所得到一个特征值，该特征值是每一次卷积核卷积操作的区域与卷积核对应权值相乘后的总和，例如上图输入特征图的红框部分正在被执行卷积操作，其各部分的权值与卷积核相对应的权值分别求得乘积（padding部分权值为0），再将这些乘积累加得到数值为6的权值并赋值输出特征图对应位置。特征图的输出维度等于卷积核的个数。卷积层参数可看作是图像中对应位置像素的权重，将卷积核内各像素的加权值赋予中心像素，是为图像特征抽象的过程。该过程可用公式2-3表示为bwxfy)((2-3)上述式子中，x、y分别代表输入特征和输出特征，w表示卷积层参数，b表示偏移量，f为激活函数。在卷积神经网络中，输入数据经过加权求和后被应用于一个函数中，这个函数就是激活函数。激活函数[37]为神经元引入了非线性的因素，使得神经网络可以逼近任何非线性函数，这样就可以将神经网络应用到非线性模型中。常用的激活函数有sigmoid函数，tanh函数，Relu函数，LeakyRelu函数等。Sigmoid函数也叫Logistic函数，用于隐藏层的输出，输出在(0,1)之间，它可
第2章相关理论知识110<0,,)(xxififxxxf(2-7)从图2-3给出的Sigmoid激活函数、tanh激活函数、relu激活函数和leakyrelu激活函数的曲线图可以明显的看出各激活函数的特点。(a)sigmoid(b)tanh(c)relu(d)leakyrelu图2-3Sigmoid、tanh、relu和leakyrelu激活函数曲线Fig.2-3Thefunctioncurveofsigmoid,tanh,reluandleakyrelu池化层又称为子采样层（sub-samplingLayer）。卷积神经网络通过池化操作对数据进行降维，去除冗余信息，从而对特征进行压缩，因此降低了网络复杂度，减少了网络计算量、内存消耗等，所以，池化操作的直接目的就是降低下一层待处理的数据量，减少了参数数量，从而可以预防网络过拟合。同时，池化层可以扩大网络的感受野，以此获取更多的特征信息，也可以实现不变性，包括平移不变性、旋转不变性和尺度不变性。常用的池化方法有最大池化（MaxPooling）和平均池化（AveragePooling）两种。图2-4展示了两种池化操作的计算过程，最大池化就是取池化窗口中输入元素的最大值作为输出，同理，平均池化的输出则是池化窗口中输入元素的平均值。
本文编号：2938141
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2938141.html
