近年來,自動駕駛成為了世界范圍內(nèi)的各大汽車公司和互聯(lián)網(wǎng)公司的研究熱點(diǎn),而自動駕駛領(lǐng)域的高級駕駛員輔助系統(tǒng)已得到了廣泛的應(yīng)用。目標(biāo)檢測是高級駕駛員輔助系統(tǒng)的關(guān)鍵算法之一。在汽車輔助駕駛的場景中,對于目標(biāo)檢測的實(shí)時(shí)性要求較高,且城市道路場景復(fù)雜,目標(biāo)間相互有嚴(yán)重的遮擋,多數(shù)目標(biāo)在該場景下的面積占比較小。因此針對這種復(fù)雜場景設(shè)計(jì)高效的目標(biāo)檢測系統(tǒng)具有挑戰(zhàn)性。本文研究基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測方法,并使用公開數(shù)據(jù)集KITTI作為實(shí)驗(yàn)的訓(xùn)練集和測試集,主要的研究工作包括:首先,針對高級駕駛員輔助系統(tǒng)對于實(shí)時(shí)性與內(nèi)存的要求,本文對RetinaNet進(jìn)行輕量化改造,使用PeleeNet作為骨干網(wǎng)絡(luò)并優(yōu)化分類回歸子網(wǎng),提高檢測速度,降低網(wǎng)絡(luò)復(fù)雜度,方便算法以后在硬件上的移植;其次,基于數(shù)據(jù)集的先驗(yàn)信息設(shè)計(jì)更合理的錨點(diǎn)框,進(jìn)而提高檢測精度;然后,通過融合三層次特征并結(jié)合注意力機(jī)制進(jìn)一步提高模型的檢測性能;最后,基于PeleeNet-RetinaNet檢測模型,提出一種對部分增強(qiáng)多尺度特征圖進(jìn)行自適應(yīng)空間特征融合(Adaptively Spatial Feature Fusion-ASFF)的特征金字...

【文章頁數(shù)】：72 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 背景與意義
    1.2 研究現(xiàn)狀與分析
    1.3 論文的主要工作
    1.4 論文組織與架構(gòu)
第二章 基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算法
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
    2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算法
        2.2.1 兩階段檢測算法
        2.2.2 單階段檢測算法
    2.3 本章小結(jié)
第三章 基于Pelee-SSD的車輛行人檢測
    3.1 實(shí)驗(yàn)數(shù)據(jù)集與評價(jià)指標(biāo)
        3.1.1 KITTI數(shù)據(jù)集
        3.1.2 評價(jià)標(biāo)準(zhǔn)
    3.2 基于Pelee-SSD的車輛行人檢測
        3.2.1 Pelee網(wǎng)絡(luò)模型
        3.2.2 錨點(diǎn)框的設(shè)置
    3.3 實(shí)驗(yàn)結(jié)果及分析
        3.3.1 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置
        3.3.2 實(shí)驗(yàn)結(jié)果分析
    3.4 本章小結(jié)
第四章 基于RetinaNet的輕量級車輛行人檢測
    4.1 RetinaNet基礎(chǔ)模型的建立與基準(zhǔn)實(shí)驗(yàn)
    4.2 針對汽車駕駛環(huán)境的輕量級目標(biāo)檢測
        4.2.1 模型結(jié)構(gòu)的調(diào)整與實(shí)驗(yàn)驗(yàn)證
        4.2.2 錨點(diǎn)框優(yōu)化與實(shí)驗(yàn)驗(yàn)證
        4.2.3 特征融合架構(gòu)的改進(jìn)與實(shí)驗(yàn)驗(yàn)證
    4.3 本章小結(jié)
第五章 基于ASFF的 RetinaNet檢測模型
    5.1 引言
    5.2 融合ASFF和 RetinaNet的車輛行人檢測
        5.2.1 ASFF算法
        5.2.2 融合ASFF和 RetinaNet
    5.3 預(yù)測網(wǎng)絡(luò)的改進(jìn)
    5.4 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



本文編號：3811826