發(fā)布時(shí)間：2024-07-07 02:39

　　環(huán)境感知為自動(dòng)駕駛技術(shù)提供了重要的數(shù)據(jù)基礎(chǔ),其涉及計(jì)算機(jī)視覺,自動(dòng)控制等技術(shù)的綜合運(yùn)用。自動(dòng)駕駛設(shè)備對(duì)道路環(huán)境的感知能力和做出控制決策的能力依賴于對(duì)道路元素的精準(zhǔn)檢測(cè),關(guān)系到車輛行駛的安全性和高效性。本文深入討論道路元素檢測(cè)的一種重要類型,即交通標(biāo)志的檢測(cè)。為了進(jìn)一步實(shí)現(xiàn)準(zhǔn)確高效的交通標(biāo)志檢測(cè)技術(shù),本文在極速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Faster Region-based Convolutional Neural Networks,Faster R-CNN)的基礎(chǔ)之上做出改進(jìn),提出了一種基于深度學(xué)習(xí)的交通標(biāo)志檢測(cè)方法。交通標(biāo)志與其它道路元素存在視覺差異,所以對(duì)檢測(cè)算法也具有不同的要求:交通標(biāo)志在圖像中呈現(xiàn)的可視面積一般都不大,且實(shí)際應(yīng)用中對(duì)算法具有實(shí)時(shí)性的要求。在區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Region-based Convolutional Neural Networks,R-CNN)系列算法中,Faster R-CNN算法在處理目標(biāo)檢測(cè)的問題時(shí)具有較好的表現(xiàn),但是由于在Faster R-CNN中,區(qū)域候選框網(wǎng)絡(luò)(Region Proposal Networks,RPN)生成的候選框質(zhì)量欠佳且數(shù)量過多...

【文章頁數(shù)】：46 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１－２自動(dòng)駕駛程度等級(jí)??

碑士學(xué)位論文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??工標(biāo)注的數(shù)據(jù)集極為有利；其次，深度學(xué)習(xí)算法允許在ＧＰＵｓ上并行處理圖像，??夯實(shí)了模型學(xué)習(xí)的效率，增強(qiáng)了網(wǎng)絡(luò)的預(yù)測(cè)能力。??傳麵學(xué)習(xí)｜輸入Ｍ人工特??＞?｜權(quán)重??１專』機(jī)益丨一、?｜征提取?｜學(xué)習(xí)?｜結(jié)果??深度學(xué)習(xí)?輸入一＾基....

圖２－３圖像定位與Ｈ標(biāo)檢測(cè)??ＰＳＣＡＬ?ＶＯＣｕｙＴｈｅ?ＰＡＳＣＡＬ?Ｖｉｓｕａｌ?Ｏｂｅｃｔ??

碩士學(xué)位論文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??由控制系統(tǒng)做出相應(yīng)的響應(yīng)。在實(shí)際應(yīng)用系統(tǒng)中，對(duì)于場(chǎng)景中出現(xiàn)的不同類型的??物體，模型首先通過定義邊界框?qū)⑦@些目標(biāo)物體在圖片中所處的位置標(biāo)記出來，??再對(duì)其所屬類別進(jìn)行判定。??ＣＡＴ?ＣＡ�。�?ＣＸ３Ｇ．??圖２－３圖像定位與Ｈ標(biāo)....

圖３－４合并池化方法??為了對(duì)最大池化層的效果欠佳之處進(jìn)行補(bǔ)足，在合并池化方法里面添加了平??－

論文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??最大?＾最大?平均??池化?池化?池化??連接??層??圖３－４合并池化方法??為了對(duì)最大池化層的效果欠佳之處進(jìn)行補(bǔ)足，在合并池化方法里面添加了平??均池化層。從圖３－４中可以看到合并池化方法包含兩步。第一步分別使用最大池??化層和平均池....

圖４－２兩種方法在不同ＩｏＵ下的召回率??由圖４－２可知，圖（ａ）是候選框數(shù)量為２００時(shí)兩種算法的召回率對(duì)比，圖??（ｂ）是候選框數(shù)量為１０００時(shí)兩種算法的召回率對(duì)比

（Ｉ倉）卜士學(xué)??ＭＡＳＴＥＲ?Ｓ?ＴＨＥＳＩＳ??不同的是，本文網(wǎng)絡(luò)將ＩｏＬＬ剛Ｓ設(shè)置為０．７５，而且在ＮＭＳ方法之后，僅保留２００??個(gè)得分排名靠前的區(qū)域候選框用于目標(biāo)檢測(cè)。圖４－２展示了區(qū)域候選框分別為??２００和１０００時(shí)，在不同的ＩｏＵ＿ＮＭＳ下兩種方法的召回率對(duì)比，以....

本文編號(hào)：4003024