基于卷積神經(jīng)網(wǎng)絡(luò)的智能車場(chǎng)景語(yǔ)義分割算法研究.pdf

1、近年來(lái)，智能駕駛越來(lái)越炙手可熱。智能駕駛相關(guān)技術(shù)已經(jīng)從研發(fā)階段逐漸轉(zhuǎn)向市場(chǎng)應(yīng)用。其中，場(chǎng)景語(yǔ)義分割技術(shù)可以為智能車提供豐富的室外場(chǎng)景信息，為智能車的決策控制提供可靠的技術(shù)支持，并且其算法魯棒性較好，因此場(chǎng)景語(yǔ)義分割算法在無(wú)人車技術(shù)中處于核心地位，具有廣泛的應(yīng)用價(jià)值。但由于傳統(tǒng)場(chǎng)景語(yǔ)義分割模型存在精度較低和速度較慢等問(wèn)題，進(jìn)而難以應(yīng)用于實(shí)際。針對(duì)此問(wèn)題，本文重點(diǎn)研究了提升模型精度和速度的方法，并據(jù)此分別設(shè)計(jì)了基于卷積神經(jīng)網(wǎng)絡(luò)的FusNet

2、和DeepSemNet兩個(gè)模型。本文的主要貢獻(xiàn)如下。
　　本文分別從網(wǎng)絡(luò)輸入圖片尺寸、激勵(lì)函數(shù)、池化三個(gè)方面研究基于卷積神經(jīng)網(wǎng)絡(luò)速度和精度的提升方法。本文以一些經(jīng)典的分割模型作為實(shí)驗(yàn)?zāi)Ｐ?，并將這些模型分別在CamVid和ADE20K數(shù)據(jù)庫(kù)上訓(xùn)練和測(cè)試。通過(guò)大量的實(shí)驗(yàn)表明在一定范圍內(nèi)輸入圖片尺寸對(duì)模型精度的影響不大，但尺寸越小，模型的運(yùn)行速度越快，顯存的占用量越少；再者，我們發(fā)現(xiàn) ReLU激勵(lì)函數(shù)相比較于 PReLU激勵(lì)函數(shù)，其精度

3、有一定的提升，且運(yùn)算速度較快；我們還對(duì) Max-Pooling、Lp-Pooling、Convolution三種下采樣方式進(jìn)行了比較，發(fā)現(xiàn) Max-Pooling在運(yùn)算速度和精度方面有更好的優(yōu)勢(shì)，而且Max-Pooling還有著更好的去燥效果。
　　提出了面向?qū)崟r(shí)處理的智能車語(yǔ)義分割模型：FusNet。FusNet采用了 SegNet的Encoder架構(gòu)，并結(jié)合了多層特征融合思想。在FusNet基礎(chǔ)上設(shè)計(jì)了兩個(gè)模型：FusNet4

4、、FusNet3。與SegNet相比，F(xiàn)usNet4和FusNet3的運(yùn)算速度分別提高了9.5倍和18.9倍，并在CamVid數(shù)據(jù)庫(kù)上，F(xiàn)usNet4的精度提高了3.05％，F(xiàn)usNet4在Cityscapes數(shù)據(jù)庫(kù)上所得到的精度為82.10%。因此，我們提出的FusNet可以滿足智能車實(shí)時(shí)處理和效果等要求。
　　提出了和FusNet的互補(bǔ)模型：DeepSemNet。DeepSemNet結(jié)合了語(yǔ)義邊緣濾波和多層次的思想，可以實(shí)現(xiàn)面

5、向精準(zhǔn)的智能車室外場(chǎng)景語(yǔ)義分割任務(wù)。DeepSemNet的模型搭建建立在PSPNet和EdgeNet的基礎(chǔ)之上，DeepSemNet采用語(yǔ)義邊緣檢測(cè)結(jié)果對(duì)語(yǔ)義特征進(jìn)行濾波處理。與 PSPNet、EdgeNet相比， DeepSemNet在ADE20K驗(yàn)證集上精確度分別提高了1.76%和10.5%。與本文所提出的FusNet網(wǎng)絡(luò)相比，DeepSemNet在Cityscapes數(shù)據(jù)庫(kù)和CamVid數(shù)據(jù)庫(kù)上的精度分別提高了9.11%、3.8%