發(fā)布時間：2022-01-24 20:08

　　隨著計算機視覺的發(fā)展,基于深度學習的各種技術已集成在高級輔助駕駛系統(tǒng)（ADAS）中。如何從算法和系統(tǒng)層面提升ADAS的性能成為當前研究熱點之一。本文以輔助駕駛應用中的輕量級目標檢測和場景分類算法作為研究對象,主要研究內(nèi)容如下:提出一種基于YOLOv3-Tiny改進的輕量級目標檢測算法。本文在不損失精度的情況下,實現(xiàn)對目標檢測主干網(wǎng)絡進行輕量化壓縮,主要改進有以下兩個方面。第一,改進和壓縮YOLOv3-Tiny提取特征的主干網(wǎng)絡部分,使用深度可分離卷積以及倒殘差的方式減少網(wǎng)絡參數(shù)和計算量;第二,利用注意力機制對卷積層輸出的特征圖（Feature map）沿著通道和空間兩個維度依次推斷出注意力權重,并將注意力權重與原特征圖相乘實現(xiàn)對特征的自適應調(diào)整進而提升網(wǎng)絡的表征能力。針對以上兩點改進,本文分別在國際公開通用多目標檢測數(shù)據(jù)集（2007+2012）、國際公開自動駕駛數(shù)據(jù)庫（KITTI）以及自行搭建車載攝像系統(tǒng)并收集的ADAS專用數(shù)據(jù)庫上進行了驗證。實驗結果證明了本方法的有效性,在實現(xiàn)壓縮網(wǎng)絡計算量和參數(shù)量的情況下,本文改進的新方法與原算法相比在VOC2007Test數(shù)據(jù)集上的檢測性能比當前... 

【文章來源】：南京信息工程大學江蘇省

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【部分圖文】：

目標檢測算法在輔助駕駛中的應用示意圖

第一章緒論3基于場景感知結果的基礎上(圖1.2右上角給出了一個場景分類器感知結果)，對目標檢測閾值做出不同于正常情況下的調(diào)整，提高目標檢測的準確率。圖1.2場景理解與ADAS檢測可視化圖1.2是因汽車逆光行駛產(chǎn)生攝像頭成像曝光的場景圖像，這種極端場景會對輔助駕駛系統(tǒng)和駕駛員做出預警反應會有不同程度的影響，此外高級輔助駕駛系統(tǒng)在雨雪場景、大霧天氣的極端場景與多云天氣、高速道路行車場景中進行車速調(diào)整、防碰撞預警以及道路區(qū)域提取等參數(shù)調(diào)整也有著很大區(qū)別。因此，在汽車高級輔助駕駛系統(tǒng)中利用場景分類實現(xiàn)對道路場景語義理解，這對確保車輛行駛安全有著重要意義。1.3研究現(xiàn)狀1.3.1輕量級目標檢測研究現(xiàn)狀目標檢測作為計算機視覺應用研究中的熱點和難點之一，主要可以分為基于手工特征和基于深度學習技術的方法。因目標檢測在檢測過程中容易受物體尺度變化、目標對象被遮擋、光照以及應用場景變化等多種因素的影響�；谑止ぬ卣鞯姆椒ㄈ菀资艿教卣鬟x擇的質(zhì)量的影響，導致應用在實際場景中效果較差的問題�；谏疃葘W習的方法利用卷積神經(jīng)網(wǎng)絡提取更深層次的特征，與基于手工特征的檢測方法相比，深度學習的檢測方法具有精度高、結構靈活、特征自動提取等優(yōu)點，受到人們廣泛關注。當前各種深度學習的檢測算法在各種競賽任務中取得了優(yōu)異的性能。從近些年在圖像分類競賽ImageNet[5]上使用的各種卷積神經(jīng)網(wǎng)絡[6]來看，CNN從擁有少量隱藏層的LeNet[7]、AlexNet[8]到深層的GoogLeNet[9]等網(wǎng)絡，CNN通過不斷改進網(wǎng)絡深度及寬度的方式逐漸提升分類效果。但是隨著網(wǎng)絡深度的增加，這些網(wǎng)絡的參數(shù)量和計算成本也在顯著的增加，往往需要依賴高算力的GPU進行運算。雖然卷積神經(jīng)網(wǎng)絡有稀疏連接、權重共享的優(yōu)點，使得CNN中的參數(shù)相比傳統(tǒng)網(wǎng)絡

南京信息工程大學碩士學位論文4說這些網(wǎng)絡并不能滿足任務需求。因此，如何對卷積神經(jīng)網(wǎng)絡模型的參數(shù)量及計算量進行壓縮，使其能夠部署到低功耗、低算力的應用平臺具有重要意義。圖1.3卷積網(wǎng)精度及參數(shù)量對比基于卷積神經(jīng)網(wǎng)絡的目標檢測模型在部署應用中受算力及存儲能力的制約，導致目標檢測算法的研究與應用受到一定的限制。因此，輕量級的目標檢測模型的研究與實現(xiàn)變的越來越重要。近幾年，卷積神經(jīng)網(wǎng)絡為了進一步提升模型的預測準確率，在設計模型的實驗中多數(shù)方法是以犧牲參數(shù)量和計算量的方式實現(xiàn)。圖1.3展示了歷屆ImageNet競賽中冠軍網(wǎng)絡模型的層數(shù)以及Top1-accuracy和模型計算量對比。由圖1.3能夠看出近些年卷積神經(jīng)網(wǎng)絡在ImageNet的競賽任務中，為了提升模型精度，多數(shù)網(wǎng)絡通過擴充深度以及網(wǎng)絡參數(shù)量的方式提升CNN性能，但是卷積神經(jīng)網(wǎng)絡模型深度及參數(shù)量的擴充，會導致很多網(wǎng)絡模型很難部署到實際的硬件平臺中。以ImageNet分類競賽中使用的卷積神經(jīng)網(wǎng)絡為例，從2012年取得競賽第一的AlexNet到2014年的冠軍GoogLeNet卷積神經(jīng)網(wǎng)絡,網(wǎng)絡的層數(shù)由最開始的7層逐漸增加到22層。從GoogLeNet卷積神經(jīng)網(wǎng)絡出現(xiàn)以后，以此為基礎衍生出一系列的Inception[10]模型，該方法通過利用多組卷積擴寬網(wǎng)絡的方式實現(xiàn)參數(shù)量和計算量相對較少的網(wǎng)絡。Inception的網(wǎng)絡結構設計可以維持當前網(wǎng)絡深度的前提下實現(xiàn)低參數(shù)量計算量的卷積神經(jīng)網(wǎng)絡，并取得了優(yōu)異的效果。但隨著卷積神經(jīng)網(wǎng)絡中殘差鏈接方式的出現(xiàn)，2015年的冠軍模型ResNet[11]達到了驚人的

【參考文獻】：
期刊論文
[1]基于注意力機制和特征融合的SSD目標檢測算法[J]. 高建瓴,孫健,王子牛,韓毓璐,馮嬌嬌.  軟件. 2020(02)
[2]基于深度學習的目標檢測技術的研究綜述[J]. 羅元,王薄宇,陳旭.  半導體光電. 2020(01)
[3]一種高效的稀疏卷積神經(jīng)網(wǎng)絡加速器的設計與實現(xiàn)[J]. 余成宇,李志遠,毛文宇,魯華祥.  智能系統(tǒng)學報. 2020(02)
[4]結合剪枝與流合并的卷積神經(jīng)網(wǎng)絡加速壓縮方法[J]. 謝斌紅,鐘日新,潘理虎,張英俊.  計算機應用. 2020(03)
[5]深度神經(jīng)網(wǎng)絡模型壓縮綜述[J]. 李江昀,趙義凱,薛卓爾,蔡錚,李擎.  工程科學學報. 2019(10)
[6]自動駕駛汽車離我們有多遠[J]. 辛妍.  新經(jīng)濟導刊. 2016(Z1)
[7]場景圖像分類技術綜述[J]. 李學龍,史建華,董永生,陶大程.  中國科學:信息科學. 2015(07)

碩士論文
[1]基于標簽關聯(lián)的圖像分類方法研究[D]. 陳龍.合肥工業(yè)大學 2019
[2]輔助駕駛中基于單幅圖像的復雜道路場景分類方法研究[D]. 楊景超.燕山大學 2016
[3]基于機器視覺的自主無人車道路識別研究[D]. 張博峰.西安工業(yè)大學 2014
[4]基于分塊顏色直方圖和HOG特征的粒子濾波跟蹤[D]. 陶立超.上海交通大學 2012



本文編號：3607221