原文传递
基于深度学习的图像语义分割在自动驾驶中的应用
| 论文题名： | 基于深度学习的图像语义分割在自动驾驶中的应用 |
| 关键词： | 道路交通;自动驾驶;图像语义分割;深度学习 |
| 摘要： | 近年来，随着科技的进步，人们的生活水平日益提高，城市中汽车的数量逐年增加，而汽车带来交通拥堵和交通事故发生率不断提高，而自动驾驶汽车成为解决此类问题的重要手段。自动驾驶汽车不仅有望提升汽车空闲时期的利用率，还能大幅提高汽车的安全性、减少交通事故的发生率。而感知是自动驾驶汽车研发中最为关键的技术之一。汽车通过摄像头传感器感知行驶中周围的环境信息，能帮助决策模块做出正确的行驶策略。 图像语义分割是将图像在像素级别上进行分类，自动驾驶汽车通过这项技术能从简单的道路图像中感知大量环境信息，例如区分出障碍物、可行驶区域、道路交通标志线等。上个世纪八十年以来，人们一直试图得到一个通用的图像语义分割算法，但此类算法不仅复杂，且效果不具备鲁棒性，应用起来并不理想。近年来，得益于计算机硬件性能的极大提升和理论上的进展，多层神经网络的发展获得突破，在此基础上建立的深度学习技术被广泛应用于计算机视觉、自然语言处理、语音识别等领域中。深度学习通过海量数据学习取代了过去繁琐的特征设计，建立具有通用性的模型。 本文基于深度学习，设计了适用于自动驾驶汽车中的图像语义分割网络，以解决城市道路场景分割、道路交通标志符识别等问题。网络采用卷积-上采样的结构设计，并在不同深度的神经网络层间加入跨层设计，实现端对端的学习，将摄像头采集到的图像信息按照语义进行像素级别的分割。本文设计的新的深度图像分割网络，借鉴了已有的部分网络，并结合了空洞卷积、残差网络、反卷积等结构，并在CityScapes数据集上测试mIoU达到了70.1%的效果，在行人等小尺度分类上取得了较之以往模型更好的分割效果。在采集到的校园场景中进行了测试，具有较好的效果。 文中还针对交通道路标志线的识别设计了边缘检测网络，用于道路交通标志符的边缘检测。该部分首先对传统的边缘检测算法的优缺点进行分析，随后采用标注的像素级别边缘图像进行深度学习，发现随着其中使用不同大小的卷积核之后，精准率和召回率都有所提高，最终效果精准率到了81.2%，召回率达到了78.7%。 |
| 作者： | 俞涛 |
| 专业： | 动力机械及工程 |
| 导师： | 李顶根 |
| 授予学位： | 硕士 |
| 授予学位单位： | 华中科技大学 |
| 学位年度： | 2018 |
| 正文语种： | 中文 |
检索历史
应用推荐
