原文传递
面向自动驾驶的视觉目标检测算法鲁棒性研究
| 论文题名： | 面向自动驾驶的视觉目标检测算法鲁棒性研究 |
| 关键词： | 自动驾驶;目标检测;鲁棒性;数据增强 |
| 摘要： | 以深度学习为代表的人工智能技术，在自然语言处理、推荐系统、图像处理、计算机视觉等方向上已经取得了巨大进展，人工智能技术已经在我们日常生活中的多个领域得到了广泛的应用并发挥了极其关键的作用。由于现实应用场景的开放性，以大数据训练和经验性规则为基础的人工智能面临着输入样本含有噪声的挑战，尤其是在自动驾驶环境感知中，这些微小的噪声会对深度学习模型的鲁棒性和安全性产生巨大的挑战。因此，提高模型的鲁棒性变得越来越重要，本文以探究影响目标检测算法鲁棒性的因素为目标开展相关研究，拟为提升算法鲁棒性提供有效的方法策略，主要研究内容如下： 面向自动驾驶的目标检测算法鲁棒性测试方法。通过测试发现目标检测算法在受到噪声干扰时精度会出现较大程度的下降，为了量化这种精度损失，通过在多个基准数据集上添加自动驾驶场景中较常出现的自然噪声构建了鲁棒性测试基准数据集，进一步结合鲁棒性评价指标提出了面向自动驾驶的目标检测算法鲁棒性测试方法。该方法可以用来目标检测算法在多种噪声下的鲁棒性。 影响目标检测算法鲁棒性的因素。基于当前主流的目标检测算法，设计实现了多种不同体系结构的目标检测算法，通过对齐算法的其它结构设计和训练设置，使用鲁棒性测试方法系统地研究了当前主流算法架构（包括一阶段和二阶段、anchor-based和anchor-free）和网络结构（包括多种人工设计和网络结构搜索得到的结构）对于算法鲁棒性的影响。通过大量对比实验得到了影响目标检测算法鲁棒性的因素以及从算法设计上提升鲁棒性的方法。 提升目标检测算法鲁棒性的数据增强方法。使用鲁棒性测试方法对比研究了多种现有数据增强技术对于算法鲁棒性的影响。针对自动驾驶场景下噪声的特点，将样式迁移作为数据增强方法引入到目标检测算法的训练过程中，提出了Rep-AdaIN尺度自适应样式迁移算法，实验结果表明Rep-AdaIN可以在没有任何额外的标签成本和算法结构更改的情况下显著提高目标检测算法的鲁棒性（KITTI-C数据集上的鲁棒率提升为9.6%）。此外，通过在真实场景中的实验，证明了鲁棒性测试方法的有效性，算法在鲁棒性测试基准数据集上的性能提升可以推广到真实世界的“自然失真”。 |
| 作者： | 王煜晟 |
| 专业： | 动力工程及工程热物理 |
| 导师： | 王志红 |
| 授予学位： | 硕士 |
| 授予学位单位： | 武汉理工大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
