原文传递
基于深度学习的自动驾驶目标检测算法研究
| 论文题名： | 基于深度学习的自动驾驶目标检测算法研究 |
| 关键词： | 自动驾驶;目标检测算法;深度学习;特征提取 |
| 摘要： | 目标检测作为自动驾驶领域的重要分支，通过实时检测道路周围环境目标，维护道路交通安全。传统的自动驾驶目标检测通过手工设计提取特征，计算开销大，鲁棒性差，难以满足实际自动驾驶目标检测的需求。基于深度学习的目标检测通过自动提取输入图像特征信息，具有更强的特征提取能力。因此，基于深度学习的自动驾驶目标检测技术具有极其重要的研究意义。 针对交通标志尺度小和分辨率低的问题，提出一种融合 Transformer 和改进 PANet （Path Aggregation Network）的YOLOv5s交通标志检测网络。融合Transformer编码模块及改进原有PANet结构，并采用K-Means算法得出对应的预测候选框，同时，改进交叉熵损失函数。改进后的YOLOv5s网络相较于原网络的参数量和计算复杂度分别降低了25.8%和10.1%，检测精度和召回率分别提升了2.2%和0.7%。 针对实际自动驾驶场景下的人、车辆和交通标志等目标存在遮挡严重、天气变化多样和背景复杂等问题，提出一种融合三维注意力和加权框的复杂驾驶场景目标检测网络。融合无参数SimAM注意力机制，并改进原网络的非极大值抑制。实验结果表明，改进后的YOLOv5s网络相较于原网络的参数量和计算复杂度分别降低了16.7%和6.3%，检测精度和召回率分别提升了4.3%和4.9%。 针对实际自动驾驶目标检测算法部署困难的问题，使用一种基于嵌入式平台的自动驾驶目标检测方法。将以上两种改进后的YOLOv5s网络分别部署到NVIDIA Jetson AGX Xavier嵌入式平台上，采用TensorRT进一步推理优化。实验结果表明，以上两种改进后的YOLOv5s使用TensorRT推理优化后相较于只部署在Xavier平台端的FPS分别提高13.9%和14.4%，易于在资源有限的车载平台上部署。 |
| 作者： | 张倩 |
| 专业： | 电子信息 |
| 导师： | 刘紫燕 |
| 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
