隨著我國(guó)汽車(chē)時(shí)代的到來(lái),“停車(chē)難”是一個(gè)亟待解決的大問(wèn)題,利用停車(chē)場(chǎng)現(xiàn)有的攝像頭,對(duì)停車(chē)場(chǎng)車(chē)輛和空車(chē)位進(jìn)行精準(zhǔn)識(shí)別和定位是一種高效率、低成本的解決方案。近年來(lái),以NVIDIA為代表的高性能計(jì)算開(kāi)發(fā)商引領(lǐng)算力跨越式發(fā)展;卷積神經(jīng)網(wǎng)絡(luò)統(tǒng)領(lǐng)了整個(gè)圖像領(lǐng)域,取得一項(xiàng)項(xiàng)輝煌成果。圖像語(yǔ)義分割以像素級(jí)精確度定位停車(chē)場(chǎng)中的車(chē)輛,其中,全卷積神經(jīng)網(wǎng)絡(luò)(FCNs)的出現(xiàn)為實(shí)例語(yǔ)義分割提供了新的前進(jìn)動(dòng)力。然而,首先大規(guī)模語(yǔ)義圖像數(shù)據(jù)集的缺乏會(huì)大幅度削弱神經(jīng)網(wǎng)絡(luò)的泛化能力;其次深層卷積神經(jīng)網(wǎng)絡(luò)的降采樣和特征圖譜的稀疏性會(huì)導(dǎo)致小尺寸目標(biāo)丟失;最后高質(zhì)量實(shí)例語(yǔ)義分割網(wǎng)絡(luò)參數(shù)眾多,訓(xùn)練過(guò)程中極易過(guò)擬合。面對(duì)以上問(wèn)題,本文對(duì)停車(chē)場(chǎng)中車(chē)輛進(jìn)行實(shí)例語(yǔ)義分割相關(guān)研究,其主要工作如下:針對(duì)提高實(shí)例語(yǔ)義分割網(wǎng)絡(luò)的泛化能力,引入了殘差網(wǎng)絡(luò)(ResNet)和大規(guī)模增加語(yǔ)義圖像數(shù)據(jù)。在收集數(shù)據(jù)集方面,主要從兩方面入手,一、從真實(shí)圖像數(shù)據(jù)入手,統(tǒng)一當(dāng)前主流開(kāi)源數(shù)據(jù)集(如:MS COCO、PASCAL VOC、SUN、Cityscapes等),提取車(chē)輛數(shù)據(jù),并按MS COCO標(biāo)準(zhǔn)制作一個(gè)全新數(shù)據(jù)集;二、從虛擬數(shù)據(jù)入手,基于Blende...

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究背景
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 基于深度學(xué)習(xí)圖像數(shù)據(jù)集研究現(xiàn)狀
        1.2.2 圖像分割的研究現(xiàn)狀
    1.3 論文的主要研究?jī)?nèi)容
第二章 停車(chē)場(chǎng)語(yǔ)義圖像數(shù)據(jù)集的生成研究
    2.1 引言
    2.2 統(tǒng)一開(kāi)源圖像數(shù)據(jù)集標(biāo)準(zhǔn)制作車(chē)輛語(yǔ)義圖像數(shù)據(jù)集
        2.2.1 相關(guān)開(kāi)源數(shù)據(jù)集介紹
        2.2.2 制作統(tǒng)一開(kāi)源數(shù)據(jù)集流程
    2.3 基于Blender制作虛擬車(chē)輛語(yǔ)義圖像數(shù)據(jù)集
        2.3.1 基于Blender制作虛擬車(chē)輛圖像
        2.3.2 基于Blender標(biāo)注虛擬車(chē)輛圖片語(yǔ)義標(biāo)簽
    2.4 本章小結(jié)
第三章 基于特征融合的深度語(yǔ)義分割網(wǎng)絡(luò)構(gòu)建研究
    3.1 引言
    3.2 相關(guān)模型介紹
        3.2.1 ParseNet:增強(qiáng)全局信息語(yǔ)義模型
        3.2.2 ION:增強(qiáng)上下文信息和多尺度表征模型
        3.2.3 HyperNet:多尺度超特征模型
    3.3 基于特征融合的語(yǔ)義分割模型設(shè)計(jì)
        3.3.1 位置敏感型特征提取
        3.3.2 語(yǔ)義特征融合
    3.4 實(shí)驗(yàn)結(jié)果分析
    3.5 本章小結(jié)
第四章 基于卷積神經(jīng)網(wǎng)絡(luò)降采樣致小目標(biāo)特征消失研究
    4.1 引言
    4.2 基于Dual RPN增強(qiáng)提取預(yù)選框能力
        4.2.1 相關(guān)預(yù)選框提取網(wǎng)絡(luò)介紹
        4.2.2 Dual RPN網(wǎng)絡(luò)設(shè)計(jì)
    4.3 一種有效增加目標(biāo)分辨率的數(shù)據(jù)增強(qiáng)方案
        4.3.1 Dual RPN實(shí)驗(yàn)分析
        4.3.2 數(shù)據(jù)增強(qiáng)實(shí)驗(yàn)分析
    4.4 實(shí)驗(yàn)結(jié)果分析
    4.5 本章小結(jié)
第五章 實(shí)驗(yàn)環(huán)境搭建與算法實(shí)現(xiàn)流程
    5.1 實(shí)驗(yàn)環(huán)境搭建
    5.2 算法實(shí)現(xiàn)流程
第六章 工作總結(jié)與展望
    6.1 工作總結(jié)
    6.2 工作展望
參考文獻(xiàn)
個(gè)人簡(jiǎn)歷在讀期間發(fā)表的學(xué)術(shù)論文
致謝



本文編號(hào)：3801651