發(fā)布時間：2025-05-27 00:01

　　近年來,隨著人工智能技術(shù)的飛速發(fā)展,自動駕駛汽車成為了研究熱點。攝像頭作為自動駕駛汽車中不可或缺的傳感器之一,為自動駕駛系統(tǒng)提供重要的圖像信息。通過這些圖像信息,自動駕駛系統(tǒng)可以獲取到汽車視野中所出現(xiàn)的各種障礙物與交通標(biāo)識牌以及可行駛區(qū)域等信息。本文研究自動駕駛視覺感知系統(tǒng)中基于單目視覺的目標(biāo)檢測任務(wù)與可行駛區(qū)域分割任務(wù)。深度學(xué)習(xí)的出現(xiàn)推動了計算機(jī)視覺領(lǐng)域的飛速發(fā)展,深度卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用使得基于視覺的目標(biāo)檢測與語義分割精度有了巨大的提升,但是深度卷積神經(jīng)網(wǎng)絡(luò)的計算量十分巨大。由于自動駕駛系統(tǒng)需要實時地對汽車進(jìn)行控制,這就要求視覺感知算法能夠?qū)崟r運行,而且自動駕駛汽車的車載計算平臺屬于移動計算平臺,其計算能力十分有限。因此,本文設(shè)計了一個多任務(wù)的深度卷積神經(jīng)網(wǎng)絡(luò),基于單目圖像來實時地檢測自動駕駛汽車視野中出現(xiàn)的目標(biāo),同時分割出當(dāng)前的可行駛區(qū)域。主要研究內(nèi)容和成果如下:設(shè)計了一個圖像分類模型Net-A作為目標(biāo)檢測網(wǎng)絡(luò)與可行駛區(qū)域分割網(wǎng)絡(luò)的backbone網(wǎng)絡(luò)。在綜合分析多個經(jīng)典圖像分類模型的基礎(chǔ)上,結(jié)合自動駕駛平臺的計算性能,設(shè)計了一個小型的圖像分類模型Net-A。在ImageNet數(shù)據(jù)集...

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1-1“阿波龍”自動駕駛巴士

隨著人工智能技術(shù)的飛速發(fā)展，自動駕駛汽車逐漸成為可能。自車的應(yīng)用可以提高城市通行效率，減少交通擁堵。汽車行車途中的交通環(huán)分復(fù)雜，因此在自動駕駛系統(tǒng)中，攝像頭成為一個必不可少的傳感器。如頭捕獲的圖像中檢測汽車周邊的障礙物與交通標(biāo)識，以及分割出可行駛的本篇論文的研究重點。研究意義及研....

圖2-1Apollo中目標(biāo)檢測結(jié)果與激光雷達(dá)的深度信息融合結(jié)果圖

圖2-1Apollo中目標(biāo)檢測結(jié)果與激光雷達(dá)的深度信息融合結(jié)果圖深度卷積神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ).1卷積層與池化層卷積層是卷積神經(jīng)網(wǎng)絡(luò)的核心。卷積層包括一個或多個具有可學(xué)習(xí)參數(shù)的卷卷積核的大小是人工設(shè)定的。2D卷積操作中，每個卷積核的通道數(shù)量與卷入的特征圖的通道數(shù)量一致。我們設(shè)....

圖2-2卷積示意圖

中科技大學(xué)碩士學(xué)位論文2所示輸入特征圖大小為99，輸入特征圖與一個大小為3當(dāng)滑動步長設(shè)置為1，不對輸入特征圖進(jìn)行填充時，得到的7。具體計算過程如下：=××××××....

圖2-3MaxPooing示意圖

圖2-2卷積示意圖lingLayer）與卷積層類似，不同的是池化層不含有可輸入特征圖進(jìn)行下采樣，減少后續(xù)網(wǎng)絡(luò)的計算量。xPooling）、平均池化（AveragePooling）等。原圖輸出結(jié)果卷積核

本文編號：4047185