详情

原文传递基于卷积神经网络的单阶段实例分割算法研究

论文题名：	基于卷积神经网络的单阶段实例分割算法研究
关键词：	智能驾驶;卷积神经网络;实例分割;数据集;轻量化模型
摘要：	随着新一轮科技革命和产业变革的兴起，智能驾驶汽车已成为全球汽车产业发展的战略方向。智能驾驶汽车是一个集环境感知、智能决策、控制执行于一体的综合系统，近年来受到了广泛的关注和研究。实时、准确的环境感知是智能驾驶汽车安全可靠行驶的前提和基础。图像实例分割技术被广泛应用在智能驾驶感知领域，目前主要被用来识别车道线和其他必要的交通信息，或者将分割的结果与激光雷达传感器的点云数据做数据匹配，实现像素级的多传感器融合。　　深度学习的模型训练需要大规模的数据集作为支撑，但是由于实例分割数据集的标注费时费力，目前用于智能驾驶交通场景实例分割的数据集仍然较少；同时，已有的单阶段的实例分割算法虽然能满足一定的实时性，但是其带来的问题是精度的下降，且智能驾驶交通场景复杂多变，小目标的实例分割由于普遍缺少细节导致算法分割精度仍然较低。此外，智能驾驶车载设备的算力较低，但是现阶段的智能驾驶实例分割算法依赖于强大的计算资源，是智能驾驶系统大规模普及的阻碍之一。　　针对上述问题，本文构建了智能驾驶交通场景实例分割数据集，以单阶段实例分割Yolact算法为基础，引入路径聚合特征金字塔模块与卷积块注意力机制对算法进行优化，以提升算法的分割精度；最后对算法进行网络轻量化设计，提高算法的实时性。具体内容如下：　　（1）智能驾驶交通场景实例分割数据集构建与数据增强。因为实例分割数据集的标注需要大量的时间和精力，目前智能驾驶交通场景的实例分割数据集十分稀少。本文以KITTI数据集图片为基础进行手工实例级标注，最后生成基础实例分割数据集。为了提升网络的泛化性，降低过拟合，分别用单数据处理、随机图像拼接、随机实例掩膜剪切的数据增强方法对基础实例分割数据集进行数据增强。实验表明数据增强能有效提升算法模型的训练效果，最终得到本文所使用的实例分割数据集。　　（2）基于路径聚合特征金字塔与卷积块注意力机制的实例分割算法优化。针对单阶段的实例分割算法分割精度不高，且小目标分割较为困难的问题，本文在Yolact算法的特征金字塔的基础上，考虑到浅层网络信息包含的大量边缘形状等特征对实例分割任务十分重要，提出引入路径聚合特征金字塔缩短浅层特征信息的传播路径。此外，在算法的主干网络中使用卷积块注意力机制，以改善小目标分割效果。　　（3）实例分割算法轻量化。智能驾驶车载设备大多为低算力的移动端设备，针对Yolact实例分割算法网络参数量和计算量仍然较多，推理速度仍然较慢的问题，本文分别使用当前主流的轻量化网络对Yolact算法进行改进，将改进后的算法和Yolact基准算法进行比较，实验表明轻量化方案减少了参数量和计算量，提升了Yolact算法的实时性。
作者：	于晨风
专业：	机械工程;车辆工程
导师：	殷国栋;朱壮瑞
授予学位：	硕士
授予学位单位：	东南大学
学位年度：	2022