原文传递
基于计算机视觉行车环境感知及识别研究
| 论文题名： | 基于计算机视觉行车环境感知及识别研究 |
| 关键词： | 自动驾驶;行车环境感知;计算机视觉;多任务检测;分割网络 |
| 摘要： | 自动驾驶技术是当前深度学习领域备受关注的热门研究方向之一。在其中，行车环境感知是自动驾驶技术中最为关键的任务之一，具体包括交通目标检测、可行驶区域分割和车道线检测等多种感知任务。然而，目前的感知算法通常仅关注其中的某一项任务，忽视不同任务之间的关联性，同时也浪费了有限的自动驾驶汽车硬件资源，难以满足自动驾驶汽车同时感知多种环境因素的需求。为了解决上述问题，本文提出了一种端到端多任务检测与分割网络MdSNet（Multi-task detection and Segmentation network）模型，可实现交通目标、可行驶区域和车道线的统一检测。本文的主要研究工作如下： 1. 多任务模型的构造研究。在主干网络方面，本文使用CSPDarkNet结合改进的 Res2Net 模块构建多尺度特征主干网络。在特征融合方面，本文引入了ULSAM注意力机制，以更好地整合浅层细节特征和高级语义信息。在目标检测任务处理阶段，本文采用向上聚合结构PAN网络与YOLO检测头对目标进行定位识别。在可行驶区域分割和车道线检测任务阶段，本文借鉴ENet网络思想构建快速分割网络，并加入 DLFM 模块以提高模型对可行驶区域和车道线边界信息的提取能力。 2. 多任务模型训练的方法研究。首先，对BDD100K和Camvid数据集进行预处理和数据增强。其次，设计多个损失函数自动加权求和以优化整个模型的性能。同时，根据不同尺度目标的特点使用Anchor机制，降低回归难度并提高算法检测精度。最后，针对不同任务特点设计特定的训练方法，以压缩整体训练时间。 3. 多任务模型的验证与评估。本文在BDD100K和Camvid数据集上进行了大量对比和消融实验。实验结果表明，MdSNet在两个数据集均取得了优良的检测效果，在交通目标检测上的mAP分别为47.7%和58.2%，可行驶区域的mIoU分别为92.6%和94.5%，车道线检测的IoU分别为62.6%和59.2%。此外，本文所提出的模型大小仅为7.02M，可为后期嵌入式移动终端部署提供技术支撑。 |
| 作者： | 王等准 |
| 专业： | 电子科学与技术 |
| 导师： | 谢本亮 |
| 授予学位： | 硕士 |
| 授予学位单位： | 贵州大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
