隨著國(guó)家新基建政策的提出,人工智能、5G等新科技成為國(guó)家將來(lái)發(fā)展的重點(diǎn),而作為5G和人工智能相結(jié)合的智能車(chē)領(lǐng)域的發(fā)展也同樣備受期待。在智能車(chē)領(lǐng)域,環(huán)境感知一直是研究的重點(diǎn),語(yǔ)義分割作為智能車(chē)環(huán)境感知中的一大分支,可以逐像素對(duì)道路場(chǎng)景圖像中的交通參與者、道路邊界、障礙物等目標(biāo)物體進(jìn)行分類(lèi),并為智能車(chē)系統(tǒng)提供豐富的圖像信息。本文主要研究面向智能車(chē)場(chǎng)景的語(yǔ)義分割算法,分別從語(yǔ)義分割算法精度、語(yǔ)義分割算法實(shí)時(shí)性、語(yǔ)義分割模型部署三大角度來(lái)展開(kāi)研究。首先,提出了基于改進(jìn)的注意力機(jī)制的語(yǔ)義分割模型來(lái)提高語(yǔ)義分割算法精度。由帶有全局注意力提取模塊的空洞金字塔池化模塊GASPP結(jié)構(gòu)提取多尺度感受野信息,由帶有選擇性注意力機(jī)制的網(wǎng)絡(luò)結(jié)構(gòu)作為解碼器,并在此基礎(chǔ)上,構(gòu)建了語(yǔ)義分割網(wǎng)絡(luò)模型GSANet,在Cityscapes數(shù)據(jù)集上達(dá)到81.6%m IoU的精度,在Cam Vid數(shù)據(jù)集上達(dá)到79.2%m IoU的精度。考慮到智能車(chē)場(chǎng)景下語(yǔ)義分割算法的實(shí)時(shí)性,提出了基于改進(jìn)的輕量化網(wǎng)絡(luò)的實(shí)時(shí)語(yǔ)義分割模型。在輕量級(jí)網(wǎng)絡(luò)Mobile Net v2的基礎(chǔ)上,構(gòu)建了具有空洞卷積和注意力模塊的網(wǎng)絡(luò)作為主干網(wǎng)絡(luò)用于特征提取... 

【文章來(lái)源】：華南理工大學(xué)廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：83 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 語(yǔ)義分割國(guó)內(nèi)外研究現(xiàn)狀及存在的問(wèn)題
        1.2.1 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.2 存在的問(wèn)題
    1.3 本文的主要研究?jī)?nèi)容和論文結(jié)構(gòu)
        1.3.1 本文的主要研究?jī)?nèi)容
        1.3.2 本文的章節(jié)安排
第二章 智能車(chē)場(chǎng)景語(yǔ)義分割算法相關(guān)技術(shù)
    2.1 語(yǔ)義分割技術(shù)
        2.1.1 語(yǔ)義分割概述
        2.1.2 語(yǔ)義分割評(píng)價(jià)標(biāo)準(zhǔn)
        2.1.3 語(yǔ)義分割相關(guān)數(shù)據(jù)集
    2.2 卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)步驟
        2.2.1 從數(shù)據(jù)集中提取訓(xùn)練數(shù)據(jù)
        2.2.2 設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)模型
        2.2.3 設(shè)計(jì)損失函數(shù)計(jì)算預(yù)測(cè)值與標(biāo)簽值之差
        2.2.4 優(yōu)化算法對(duì)模型中參數(shù)進(jìn)行更新
    2.3 面向智能車(chē)場(chǎng)景的語(yǔ)義分割方法
        2.3.1 基于編碼器解碼器結(jié)構(gòu)的語(yǔ)義分割方法
        2.3.2 基于空洞卷積和多尺度融合的語(yǔ)義分割方法
    2.4 本章小結(jié)
第三章 基于改進(jìn)的注意力機(jī)制的語(yǔ)義分割算法
    3.1 語(yǔ)義分割中的上下文信息
    3.2 視覺(jué)注意力機(jī)制
        3.2.1 視覺(jué)注意力機(jī)制中的壓縮-擴(kuò)張網(wǎng)絡(luò)
        3.2.2 視覺(jué)注意力機(jī)制中的自注意力機(jī)制
    3.3 GSANet網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
        3.3.1 GSANet整體網(wǎng)絡(luò)結(jié)構(gòu)
        3.3.2 帶有全局注意力的ASPP結(jié)構(gòu)設(shè)計(jì)
        3.3.3 帶有選擇性注意力的解碼器結(jié)構(gòu)設(shè)計(jì)
    3.4 實(shí)驗(yàn)與分析
        3.4.1 實(shí)驗(yàn)配置與訓(xùn)練過(guò)程
        3.4.2 消融實(shí)驗(yàn)與分析
        3.4.3 Cityscapes和Cam Vid數(shù)據(jù)集實(shí)驗(yàn)結(jié)果
    3.5 本章小結(jié)
第四章 基于改進(jìn)的輕量化網(wǎng)絡(luò)的實(shí)時(shí)語(yǔ)義分割算法
    4.1 深度可分離卷積和輕量化網(wǎng)絡(luò)模型
        4.1.1 標(biāo)準(zhǔn)卷積與深度可分離卷積
        4.1.2 Mobile Net系列輕量化網(wǎng)絡(luò)
    4.2 基于輕量級(jí)網(wǎng)絡(luò)的語(yǔ)義分割算法方法概述
    4.3 LightSeg網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
        4.3.1 LightSeg網(wǎng)絡(luò)整體框架
        4.3.2 帶有空洞卷積和注意力機(jī)制的輕量化主干網(wǎng)絡(luò)
        4.3.3 帶鄰近信息的ASPP結(jié)構(gòu)
        4.3.4 特征融合模塊
    4.4 實(shí)驗(yàn)與分析
        4.4.1 實(shí)驗(yàn)配置與訓(xùn)練過(guò)程
        4.4.2 消融實(shí)驗(yàn)與分析
        4.4.3 Cityscapes和Cam Vid數(shù)據(jù)集實(shí)驗(yàn)結(jié)果
    4.5 本章小結(jié)
第五章 基于剪枝和推理加速的語(yǔ)義分割算法優(yōu)化
    5.1 模型通道剪枝算法優(yōu)化
        5.1.1 基于通道的剪枝算法及稀疏化訓(xùn)練
        5.1.2 通道剪枝算法實(shí)驗(yàn)
    5.2 模型推理加速優(yōu)化
        5.2.1 BN層與卷積層合并
        5.2.2 BN層與卷積層合并推理加速實(shí)驗(yàn)
    5.3 本章小結(jié)
總結(jié)與展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的研究成果
致謝
附件


【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)研究綜述[J]. 孫志軍,薛磊,許陽(yáng)明,王正.  計(jì)算機(jī)應(yīng)用研究. 2012(08)
[2]圖像閾值分割算法研究[J]. 郭臻,陳遠(yuǎn)知.  中國(guó)傳媒大學(xué)學(xué)報(bào)(自然科學(xué)版). 2008(02)

碩士論文
[1]無(wú)人駕駛車(chē)輛道路場(chǎng)景環(huán)境建模[D]. 張前.西安理工大學(xué) 2018
[2]基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像語(yǔ)義分割[D]. 馬驍.中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院光電技術(shù)研究所) 2018
[3]基于全卷積網(wǎng)絡(luò)的圖像語(yǔ)義分割算法研究[D]. 孫海川.哈爾濱工業(yè)大學(xué) 2018



本文編號(hào)：3165611