【摘 要】
:
近年来,在硬件计算能力大幅提高和大数据技术的助推下,以卷积神经网络为代表的深度学习技术发展迅速,为很多领域的研究提供了新的方法,尤其是图像处理领域。利用卷积神经网络人们能从摄像头拍摄的图像中获取更多有用的信息,使得搭载摄像头的自动驾驶汽车具有了更强的感知周围环境的能力,推动了自动驾驶技术的发展。本文主要研究基于视觉的面向自动驾驶汽车的车辆检测算法,主要包括以下内容:首先,本文设计了一个车载专用车辆
论文部分内容阅读
近年来,在硬件计算能力大幅提高和大数据技术的助推下,以卷积神经网络为代表的深度学习技术发展迅速,为很多领域的研究提供了新的方法,尤其是图像处理领域。利用卷积神经网络人们能从摄像头拍摄的图像中获取更多有用的信息,使得搭载摄像头的自动驾驶汽车具有了更强的感知周围环境的能力,推动了自动驾驶技术的发展。本文主要研究基于视觉的面向自动驾驶汽车的车辆检测算法,主要包括以下内容:首先,本文设计了一个车载专用车辆检测网络。除了准确性和实时性的要求外,车载嵌入式计算平台对车辆检测算法的计算和存储的开销也有着严格的限制。因此,本文基于Fire模块和残差连接设计了参数量很少的特征提取主干网络,同时保证了网络的性能。将浅层特征图后传组成堆叠特征图,从而提高车辆检测网络对远处车辆的检测精度。此外,针对车辆的形状特征,设计了专为车辆检测优化的锚框生成网络。检测网络采用基于回归的单阶段模型,保证了实时性。其次,本文根据注意力机制的原理及其建模方法,设计了一个注意力网络,在该网络上对注意力机制进行模仿,让车辆检测网络获得注意力机制,从而提高检测精度。提出的注意力网络通过两种注意力分支网络来分别建模神经网络在通道域和空间域上的相互关系,再将这两种注意力机制融合在一起,采用经过注意力网络加权的特征图来替换原有的特征图进行目标检测。通过把这个注意力网络作为一个模块嵌入到检测算法的特征提取网络中,得到一个具有注意力机制的准确且实时的车辆检测算法。最后,用标准数据集进行网络训练,再使用自动驾驶观光车实验平台采集的实车数据对网络进行测试,用实际的检测效果验证了算法的准确性和实时性。
其他文献
深度学习的形式化理解一直是一个重要的研究主题。近年来,借助量子多体物理学,深度学习的形式化理解已经取得了很大的进展。例如,在量子多体系统中,通过量子纠缠熵,神经网络中的归纳偏置可以被解释,此外还可以借助量子纠缠与神经网络之间的关系指导某些任务的网络架构和参数的设计。然而,在最近的关于量子纠缠研究中,还存在两个仍未揭示的问题,这些问题限制了纠缠测量的应用潜力。首先,纠缠熵的理论分析仅在单个对象(比如
近年来,机器学习与其他领域的结合越来越紧密,如出行领域、娱乐领域等。与此同时,将机器学习应用于生物领域也逐渐被研究者关注,先前有文章将细胞、组织等生物的研究与机器学习结合起来,来识别细胞的特征,但这些模型相比于其他领域较为落后和粗糙,而且这些研究都是基于监督学习的方式来识别细胞特征,很少有学者利用机器学习来研究细胞的迁移规律。在胚胎发育的早期阶段,细胞受到一套高度复杂的多尺度调控机制的影响,因而对
随着高通量测序技术的发展,只利用序列信息预测蛋白质二级结构成为计算生物学研究的热点问题之一。当前的机器学习方法使用大量的标注样本,通过构建监督学习模型实现二级结构的预测。然而获得二级结构的标注信息往往需要大量的生物学实验和人工纠正,是一项耗时且代价昂贵的任务。本文提出只利用较少标注样本来预测蛋白质二级结构的半监督对抗生成网络模型,主要贡献包括:(1)首先,对实验所用到的数据集进行数据清洗,对数据集
目标检测作为计算机视觉的基础性研究,近年来目标检测在精度和速度方面不断提高,并且在智能驾驶、安全检查等相关方面已经部署应用。本文主要探究在大型养殖场和安防场景中目标检测的应用。前人所做的相关研究主要集中在使用传统的特征提取方法和分类器进行目标检测或采用深度网络加可见光图像的方式。这些方式都有一定的局限性,一是传统目标检测方法相对于深度学习方法精度较低,二是可见光图像在黑暗场景下将无法完成检测。所以
在数字化时代,面临诸多虚假新闻、隐藏金融诈骗团体等情报分析的新问题,本课题组构建了基于复杂网络算法进行人(欺诈者)、物、组织、真假事件及相互关系的感知、理解、预测的情报分析框架IAF(Intelligence Analysis Framework),从基于社会/物理/网络空间中人类电子足迹的大规模电商交易关联网络中,检测出符合特定模式的欺诈行为,是智能情报分析框架中理解模块的关键功能。本文围绕基于
在信息化和智能化深入普及的今天,图像超分辨率重建技术日益成熟并且在日常生活中也开始发挥着越来越重要的作用。该研究在医学成像、遥感成像和公共安防等领域有着广泛的应用前景。近年来随着深度学习的广泛应用,越来越多的超分算法采用卷积神经网络来实现重建任务。现有的算法为得到高质量的重建图片就使用很深或者很宽的网络,这样的网络训练需要占用大量的计算资源和内存消耗,很难在实际中应用;其次是算法重建图片耗时长,重
在智能化信息化深入普及的今天,人们对高分辨率图像的要求越来越高,图像超分辨率重建技术开始发挥重要作用。该研究在图像理解、语义分割以及识别等领域有着广泛应用前景与研究价值。在实际应用中,我们希望超分辨方法不仅能够重建统计意义上的高质量图像,而且能够重建视觉感知意义上的高质量图像。而现有的超分辨算法较难满足两个需求,也就是经常出现客观评价指标与主观评价指标得分不一致的问题。比如,有些超分辨方法所重建图
随着科技创新的日益发展,人类社会不断进步。机器人也成为了人们生活中的一部分,移动机器人开始从事越来越多的枯燥、乏味、具有危险性的工作。如无人餐厅、医院、工厂以及太空等一些人类无法正常工作的环境。本文针对全方位移动机器人越来越难以精确测量的电机参数问题、越来越难以精确建立的数学模型问题以及一些未知的内、外部扰动问题。本文采用自适应滑模控制、自抗扰控制、无模型自适应等控制方法,主要研究内容如下:首先,
煤炭工业长期以来是支撑俄罗斯经济社会发展的主要行业,在俄罗斯国家经济中发挥着重要作用。俄罗斯是我国煤炭进口的主要来源国之一,随着俄罗斯能源强国战略和煤炭东向战略的推行、俄罗斯国内能源消费结构的优化、俄对外贸易政策的调整以及煤运基础设施的逐步改善,俄罗斯煤炭在东亚地区市场的竞争力还将进一步提升。研究俄罗斯煤炭生产、消费、调运及国际贸易现状,定量预测2035年前俄罗斯煤炭可供出口量及运输能力,分析碳中
随着人民生活水平的提高,汽车进入到人民的生活当中。随后日益增加的交通安全问题引起人们的关注。车道线检测作为自动驾驶以及辅助驾驶系统中重要的环节,得到了大量的研究,其核心思想是准确、快速的检测出车道线的位置。传统的车道线检测方法对待检测图像进行边缘检测、阈值化处理和曲线拟合,通过提取车道线的特征检测车道线,依赖于手工操作,算法复杂度大,车道线检测效率低,且基于模型的系统很难对道路场景变化进行建模,因