原文传递
基于生成对抗网络的智能汽车跨域检测算法研究
| 论文题名： | 基于生成对抗网络的智能汽车跨域检测算法研究 |
| 关键词： | 智能汽车;环境感知;跨域检测;FAYOLOv3;生成对抗网络 |
| 摘要： | 在自动驾驶汽车中，环境感知对于识别周围目标物并准确确定目标物的位置至关重要。和传统的检测方法相比，深度学习算法具有更好的鲁棒性和更高的检测精度，具有广泛的应用价值。受速度和精度的影响，具有较高检测精度的两阶段算法通常推理速度较低，不能满足实时性的要求。单阶段算法通常具有更快的图像处理速度，但检测精度略低。因此，考虑到计算速度和模型尺寸，选择单阶段算法YOLOv3作为本文的目标检测器，同时从预处理和特征网络结构两方面对检测器进行重新设计，提出了FAYOLOv3模型，在缩短推理时间的前提下提高了目标物的检测准确度。对于不同场景中的目标检测任务，需要对不同场景中的数据进行采集和标注，针对跨域问题的弊端，本文搭建了一个无监督领域自适应模型CycleGAN，以对齐训练集和测试集数据分布。它构造了一个新的合成数据集来训练目标检测器，有效地提高了本文模型的泛化性和鲁棒性，使其能够更好地处理各种复杂的场景。将FAYOLOv3模型和无监督CycleGAN网络相结合，可以更好地解决训练集和测试集场景分布不同的问题，提高模型的跨域性能。 本文共选择七个不同的数据集（BDD100K等）对模型的性能进行验证。我们设计了五种不同的跨域场景，并在上述数据集上完成了九组试验。测试结果表明，当训练集和测试集数据在一种或两种场景因素不同时，本文模型能够很好地处理跨域检测，与单阶段检测器相比，检测精度大大提升。本文提出的跨域检测方法减少了数据重采集和标注的工作量，具有精度高、速度快、鲁棒性强等优点。 本文主要的研究内容如下： 1.设计单阶段目标检测器FAYOLOv3。首先，充分考虑了不同类别目标物在形状上的差异后，对聚类算法公式进行了改进。在此基础上，进一步将特征层融合策略和注意力模块融合到骨干网络中。在BDD100K数据集上的试验结果表明，目标物的平均检测精度提高了5.84%，召回率提高了4.92%。 2.搭建无监督领域自适应模型CycleGAN。在构建了生成器和判别器网络后，完成了对整个循环一致性生成对抗网络的建模。同时，通过消融试验验证了生成器中三种损失函数的有效性，最后，在多个不同的数据集上进行了图像的合成和风格转换，取得了非常逼真的图像生成效果。 3.基于公开数据集的跨域目标检测。将FAYOLOv3检测器和CycleGAN网络级联训练，训练集图像是具有目标域风格的合成图，并以此来训练目标检测器，提高了模型的跨域检测精度。在设计的五种不同的跨域场景中，当检测地点、天气、时间段等一个或两个因素发生变化时，九组试验的检测精度平均提高了7.7%，试验结果充分证明了本文模型在跨域检测中的优势。 |
| 作者： | 范佳琦 |
| 专业： | 车辆工程 |
| 导师： | 王菲 |
| 授予学位： | 硕士 |
| 授予学位单位： | 吉林大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
