原文传递
深度学习在无人驾驶汽车目标检测中的研究
| 论文题名： | 深度学习在无人驾驶汽车目标检测中的研究 |
| 关键词： | 无人驾驶汽车;深度学习;目标检测;双向融合;特征金字塔 |
| 摘要： | 目标检测是对目标物体进行分类和定位的技术，目标检测技术将会被应用到各种领域为工业界及人们的生活带来巨大的变化。在无人驾驶技术中，通过目标检测技术，精准、快速地识别目标，使车辆通过相互协调、协作，可以有效避免交通拥堵和交通安全问题。 自动驾驶环境中由于目标复杂，被遮挡目标或者小目标多类多样，使得自动驾驶目标检测需要较高的精准率和实时性，才能保证道路驾驶者和行人的安全以及出行的高效性，在未来的研究方向同样也是研究难点就是怎样在提高检测精度地同时，减少模型参数，更精准地定位目标。为了能使模型快速准确的检测目标，在SSD算法基础上做出以下研究： 1）以深度可分解卷积MobileNet作为SSD骨架网络提取特征，提出SSD_MobileNet模型，提高了目标检测速度。在卷积网络中，随着卷积网络的加深和复杂，目标语义信息会表现更充分，但是在无人驾驶这种嵌入式平台上检测速度会大幅度下降。实验结果表明，由于MobileNet模型的深度可分解卷积，可以有效减少计算量，降低模型大小，相对原始SSD模型在保证检测精度的同时，加快了检测速度。 2）为改善尤其是小目标或者被遮挡目标的检测精度，在SSD_MobileNet模型基础上，选取特定特征层，每一特征层经过递归地执行核心模块和净化模块后的双向特征融合，组成残差双向融合特征金字塔结构，FSSD_MobileNet网络循环流动深层丰富的语义信息和浅层丰富的位置信息，使得特征提取更充分。实验结果表明FSSD_MobileNet网络对小目标和被遮挡目标有了更高的检测精度，在一定程度上解决了小目标和被遮挡目标漏检的问题。 |
| 作者： | 孟路达 |
| 专业： | 控制工程 |
| 导师： | 李福进;张欣巧 |
| 授予学位： | 硕士 |
| 授予学位单位： | 华北理工大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
