科學(xué)技術(shù)的發(fā)展與關(guān)鍵技術(shù)的突破往往會(huì)解決相關(guān)領(lǐng)域內(nèi)的重要科學(xué)問題,從而帶動(dòng)社會(huì)經(jīng)濟(jì)的蓬勃發(fā)展。得益于近些年深度學(xué)習(xí)技術(shù)的快速創(chuàng)新,許多傳統(tǒng)技術(shù)無法攻克的問題正在不斷被解決,同時(shí)硬件技術(shù)的革新和大規(guī)模數(shù)據(jù)的出現(xiàn)有助于深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域取得突破性的進(jìn)展。在人工智能時(shí)代,無人駕駛車作為新時(shí)代人類出行的交通工具,其相關(guān)技術(shù)有著極其重要的研究意義。本文主要針對無人駕駛中復(fù)雜道路場景下的三維感知任務(wù)提出解決方案,工作重點(diǎn)主要包括兩個(gè)方面:檢測和追蹤。對于檢測任務(wù),本論文對基于深度學(xué)習(xí)的3D物體檢測算法進(jìn)行深入研究,在激光雷達(dá)采樣的點(diǎn)云數(shù)據(jù)表征方面設(shè)計(jì)了具有局部信息的綜合特征,在3D物體檢測方面提出了擁有自相關(guān)注意力機(jī)制的深度學(xué)習(xí)模型（SCANet）。對于追蹤任務(wù),本文使用卡爾曼濾波以及匈牙利匹配算法對道路上檢測到的障礙物進(jìn)行運(yùn)動(dòng)狀態(tài)的估計(jì)以及運(yùn)動(dòng)軌跡的關(guān)聯(lián)。本文的主要研究內(nèi)容以及創(chuàng)新點(diǎn)如下:（1）針對現(xiàn)有3D物體檢測技術(shù)中對于點(diǎn)云數(shù)據(jù)的表征信息挖掘不充分的問題,本文提出了一種新的特征設(shè)計(jì)方法,首先將點(diǎn)云數(shù)據(jù)轉(zhuǎn)化為3D體素網(wǎng)格形式,然后通過對每個(gè)網(wǎng)格的水平角度編碼引入了局部方向信息,最后將局部... 

【文章來源】：西安建筑科技大學(xué)陜西省

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【部分圖文】：

tanh函數(shù)

西安建筑科技大學(xué)碩士學(xué)位論文10()11xfxe=+(2-7)圖2.1sigmoid函數(shù)在Sigmoid函數(shù)的兩側(cè)有飽和區(qū)，這將導(dǎo)致梯度反向傳播中易出現(xiàn)梯度消失的問題。Tanh函數(shù)，如式(2-8)，該激活函數(shù)又被稱為曲線正切函數(shù)，函數(shù)取值范圍為(-1,1)，其函數(shù)形式如圖2.2所示。tanh()xxxxeexee=+(2-8)圖2.2tanh函數(shù)目前為止，深度學(xué)習(xí)中較為常用的激活函數(shù)為Relu函數(shù)，如公式(2-9)，相比與Sigmoid，Tanh，其應(yīng)用更加常見，因?yàn)镽elu函數(shù)的優(yōu)點(diǎn)在于梯度不飽和、計(jì)算快、在反向傳播中能減少梯度消失的現(xiàn)象，同時(shí)通過Relu激活后的特征能最大程度保留特征，抑制不重要的信息，如圖2.3所示。f(x)=max(0,x)(2-9)

西安建筑科技大學(xué)碩士學(xué)位論文11圖2.3relu函數(shù)2.2梯度下降算法梯度下降算法是神經(jīng)網(wǎng)絡(luò)最重要的優(yōu)化算法，目前常用的優(yōu)化算法包括一階優(yōu)化算法以及二階優(yōu)化算法[45]。梯度下降算法針對凸優(yōu)化問題，原則上是可以收斂到全局最優(yōu)點(diǎn)的，但是深度神經(jīng)網(wǎng)絡(luò)模型是一個(gè)非常復(fù)雜的非線性模型，屬于非凸問題，這意味著存在許多局部最優(yōu)解，因此在這個(gè)問題上需要人工調(diào)整許多參數(shù)。梯度下降是一種在優(yōu)化函數(shù)()J的梯度J()反方向上通過更新參數(shù)d來最小化優(yōu)化函數(shù)的方法，學(xué)習(xí)速率決定了梯度下降的步長，通俗的說，梯度下降遵循目標(biāo)函數(shù)曲面下坡的方向，直到到達(dá)谷底。目前常見的梯度下降算法有隨機(jī)梯度下降（SGD）、動(dòng)量梯度下降（Momentum）、Adam等。2.2.1Adam優(yōu)化器自適應(yīng)矩估計(jì)（Adam）[46]是一種計(jì)算每個(gè)參數(shù)的自適應(yīng)學(xué)習(xí)率的方法，除了累加過去時(shí)間步的平方梯度的指數(shù)衰減平均（如Adadelta和RMSprop）之外，Adam還保存了過去梯度m的指數(shù)衰減平均值，類似于動(dòng)量：()1111tttmmg=+(2-10)()22121tttvvg=+(2-11)上式(2-10)和式(2-11)中，tm是梯度的一階動(dòng)量的估計(jì)值，tv是梯度的二階動(dòng)量的估計(jì)值，當(dāng)tm和tv初始化為0向量時(shí)，它們偏向零，特別是在初始時(shí)間步長期間或者當(dāng)衰減率很小的時(shí)候（例如1和2接近1）。它們通過計(jì)算偏差校正的第一和第二時(shí)刻估計(jì)來抵消這些偏差，如下式(2-12)和(2-13)：

【參考文獻(xiàn)】：
期刊論文
[1]深度神經(jīng)網(wǎng)絡(luò)代價(jià)函數(shù)選擇與性能評測研究[J]. 趙宏,郭萬鵬.  軟件. 2018(01)
[2]基于LM算法的MLP模型及其應(yīng)用[J]. 李南星,盛益強(qiáng),倪宏.  網(wǎng)絡(luò)新媒體技術(shù). 2018(01)
[3]拓?fù)浼s束結(jié)合匈牙利算法在高密度神經(jīng)干細(xì)胞追蹤中的研究[J]. 湯春明,董莎莎,寧燕博,崔穎.  生物醫(yī)學(xué)工程學(xué)雜志. 2012(04)

碩士論文
[1]基于多激光雷達(dá)的行人目標(biāo)跟蹤[D]. 羅贊豐.浙江大學(xué) 2012



本文編號：3460012