基于深度信息的交通场景理解方法研究

发布时间：2024-07-05 02:06

　　近年来,针对复杂多变的道路行驶环境,国内外各大研究机构相继推出多种环境感知算法,尤其是将卷积神经网络应用于环境感知任务中,是该领域的一大突破。但是,交通场景的复杂性和多变性特点使得视觉感知任务十分困难,准确度以及实时性方面尚未达到实车要求,如何兼顾二者也是一直以来被广泛关注的重点,所以目前仍然需要进一步探索有效的方法提高网络性能。本文以卷积神经网络为核心,探究一种基于深度信息的网络结构,以实现车辆对道路交通环境的感知理解。主要围绕以下几个方面展开:首先,本文提出一种基于编码器-解码器结构的网络模型,在保证网络精确度的前提下,大大提高实时性。并在此基础上,将彩色图与深度信息融合输入网络,对比首端通道融合以及逐层特征融合两种方式对于语义分割结果的影响。实验结果表明,逐层特征融合方式所得的精度更高。然后,针对基于编码-解码结构存在的分割结果粗糙的问题,在分析上下文信息提取方法基础上,提出一种改进的空间金字塔池化模块。该模块可以充分提取不同尺度的密集图像特征,改善网络性能。同时,继续探索彩色图与深度信息融合方法,提出非对称的并行双分支网络结构,分别提取彩色图和视差图信息,并在网络末端对其进行信...

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 图像分割研究现状
        1.2.2 结合深度信息的图像分割研究现状
        1.2.3 交通场景数据集
    1.3 本文主要工作
2 卷积神经网络理论基础
    2.1 卷积神经网络概述
        2.1.1 卷积神经网络基本组成
        2.1.2 卷积神经网络的训练
    2.2 典型卷积神经网络模型
    2.3 卷积神经网络模型对比
    2.4 网络性能的优化
    2.5 本章小结
3 基于编码-解码结构的语义分割方法研究
    3.1 编码-解码结构网络设计
        3.1.1 基本网络结构设计
        3.1.2 用于深度特征融合的网络结构
    3.2 样本数据
        3.2.1 数据集选取
        3.2.2 深度特征数据获取
    3.3 网络训练过程
    3.4 网络测试标准
    3.5 实验结果及分析
    3.6 网络可视化分析
    3.7 本章小结
4 基于金字塔池化的语义分割研究
    4.1 网络结构设计
        4.1.1 上下文信息提取
        4.1.2 主网络结构设计
        4.1.3 融合深度信息分支的网络结构
    4.2 网络训练
    4.3 实验及结果分析
        4.3.1 主网络结构测试结果及分析
        4.3.2 基于双分支网络的测试结果及分析
        4.3.3 提高网络实时性实验分析
    4.4 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢



本文编号：4000868