【摘 要】
：
近年来,随着计算机算力的不断增长,计算机视觉领域依托深度学习的方法取得了显著的进展,车道线检测领域也乘着这阵东风飞速发展。虽然现有的基于深度学习的车道线检测算法在鲁棒性等方面远超传统算法,并在某些简单场景中的检测性已经能够很好的满足实际应用的需求,但是在光照分布不均、车流量大、车道线磨损、夜晚、地标箭头干扰等复杂道路场景中,算法性能不容乐观。因此本文尝试在现有的两种基于CNN的车道线检测算法上进行
论文部分内容阅读
近年来,随着计算机算力的不断增长,计算机视觉领域依托深度学习的方法取得了显著的进展,车道线检测领域也乘着这阵东风飞速发展。虽然现有的基于深度学习的车道线检测算法在鲁棒性等方面远超传统算法,并在某些简单场景中的检测性已经能够很好的满足实际应用的需求,但是在光照分布不均、车流量大、车道线磨损、夜晚、地标箭头干扰等复杂道路场景中,算法性能不容乐观。因此本文尝试在现有的两种基于CNN的车道线检测算法上进行改进,其有一般的图像分割思路（Spatial CNN）,分类的思路（UFLD）,以在复杂的道路场景中达到更准确的检测效果。综上,本文研究工作如下:（1）针对现有Spatial CNN对全局特征联系不强等问题,提出一种引入BRNN和交互注意力来改进Spatial CNN的复杂场景车道线检测方法。首先,选用Resnet-50卷积神经网络为基础搭建模型并进行切片;其次,通过BRNN建立切片间的联系;然后,对BRNN输出的两路特征进行自注意力交互实现车道线的检测;最后,仿真证明此算法可以在复杂的道路场景中进行准确的车道线检测。（2）针对现有UFLD感受野不充分等问题,提出一种引入补充感受野和高斯热图回归来改进UFLD的复杂场景车道线检测方法。首先,考虑到图像中远近因素使得车道线特征大小不一的情况,并设计了不同大小的网格以补充感受野;其次,采用注意力机制来获取注意力值;然后,与高斯热图输出的置信度进行结合;最后,仿真结果证明此算法可以在复杂的道路场景中准确的车道线检测。
其他文献
随着技术水平的不断提高和能源消耗的日益增长,人们对电源适配器的使用不再满足于单纯的充电功能,而是提出了更高的要求:希望在保证快速充电的同时,电源适配器能够更高效化地提供电力变换。以手机充电器为例,为实现充电效率最大化,充电协议控制充电器在不同电池电量时以不同功率输出,那么就需要适配器在全负载范围内维持高效率。因此,提高全负载范围内的转换效率,是电源适配器研究工作的重中之重。本文对适用于电源适配器的
无线通信技术不断发展,业界对于射频功率放大器的性能要求日益提高。负载牵引测试技术能够为射频功率放大器电路提供可靠的匹配网络设计参考,成为无线通信应用中的一个研究热点。本文对不同种类的负载牵引测试系统进行了研究,搭建了完整的负载牵引和负载失配测试方案并进行了实际系统验证。论文的主体内容可以分成下面的几个部分:1、对常见的射频功率器件的结构、工作原理进行了介绍,并由此引出负载牵引的原理和基本测试流程。
随着社会化信息程度的不断提高,各种新兴业务的出现对用户侧各类终端设备的带宽及传输容量提出了更高的要求,一定程度上增加了光纤传输网络特别是短距离光通信系统中接入端的压力。容量和传输速率的提升势必带来建设成本的增长,而短距离光纤链路距离用户终端最近、部署规模大,对成本和功耗等十分敏感。为了低成本实现高速短距离光通信系统升级,基于带限光电器件及直接调制激光器的强度调制直接检测（Directly Modu
近年来,生物识别技术不断取得进步,其中自动说话人验证就是生物识别技术中的一种。而数据表明,自动说话人验证系统易受到恶意欺骗攻击。随着自动说话人验证技术的不断成熟,未来必将会在许多领域得到使用,因此需要为自动说话人验证系统提供可靠的技术来应对欺骗攻击。一般来说,说话人验证系统面临的主要攻击方式有人为模仿、录音重播、语音合成与语音转换等。本文主要针对语音合成与语音转换这两种类型欺骗攻击进行研究。伪装语
数字存储器电路的发展对集成电路产业尤为重要,触发器电路作为其中重要的一部分,其性能好坏、电路体积等对于存储器十分重要,但是随着半导体技术的不断发展,晶体管的尺寸与性能逐渐接近物理极限,传统触发器电路也因为所需器件数变多而开始遇到设计瓶颈。忆阻器作为一种新器件,其纳米级尺寸、非易失等特性足以改善目前触发器电路设计中存在的问题,而且由于其与CMOS完美兼容,使得CMOS-忆阻混合设计对于电路设计而言是
云制造模式下,各类制造资源和制造能力被虚拟化封装为制造服务,通过云平台实现全面共享和按需使用。企业可以通过服务组合的方式在线定制云制造服务系统,完成各类制造业务。由于云环境的动态性和不可预测性,制造服务具有不确定性,常出现服务失效、性能下降等问题,难以满足用户的实际定制和使用需求。因此,通常需要对制造服务进行在线监测,为保障云制造服务系统的正常运行提供依据。然而,在云平台中的制造服务数量庞大,对所
主动声呐工作在复杂的海洋环境中,多途、海深、声速梯度、温度等诸多因素都会影响水中目标散射声场,尤其是隐身目标和各种小目标的出现,导致目标特性微弱,很难提取出利于识别的稳定而可靠的目标固有特征。面对该问题,本论文重点关注海洋信道中有目标和没有目标时的声场变化,从理论仿真、特征提取、试验数据获取分析三个方面,研究海洋信道环境声场、主动声呐目标散射声场产生的干涉条纹特征,为目标的探测和识别提供一种有效的
近年来,在智能机器人领域,工业无人巡检机器人、矿山爆破机器人等的应用越来越广泛。SLAM技术作为机器人实现智能化、自主化的关键技术之一迅速成为智能机器人领域重点关注的技术。SLAM问题中一个需要解决的难题就是量测数据和诸多地图特征的数据关联问题。基于数据关联和卡尔曼滤波器的SLAM算法利用数据关联来解决这个问题,在关联场景简单时取得了良好的效果。但是在环境中杂波较多、传感器存在大量漏检的情况下,基
我国领海辽阔,海洋资源丰富。舰船作为海洋活动的主体,实现舰船目标的准确识别对于海洋强国建设至关重要。目前,舰船目标数据的采集方式多样,主要有星载、机载、无人机载、舰载、船载和岸基等,不同采集方式所获得的图像数据之间存在一定差异;利用某一平台图像数据得到的舰船目标深度识别网络无法直接应用到其他平台,这是由于平台之间存在观测视角和图片分辨率等多种差异。因此,本文重点开展了基于深度迁移学习的舰船目标识别
滤波器设计方法与技术一直是学术领域研究的热门课题之一,近些年来已得到了长足的发展。目前,虽然以线性卡尔曼滤波器设计为基础的理论和方法已形成一个较完整的体系结构,但现有面对非线性系统所设计出的卡尔曼滤波器,常随非线性程度的增强,而性能在逐步退化;以函数近似为主的扩展卡尔曼滤波和强跟踪滤波,无法在根本上解决由于舍掉泰勒展开式的高阶项带来的线性化误差;以采样近似为主的无迹卡尔曼滤波不关注具体的函数形式,