亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于改進(jìn)FCN的車道線檢測研究*

        2022-03-01 08:36:02何志琴
        微處理機(jī) 2022年1期
        關(guān)鍵詞:特征檢測信息

        楊 瑩,何志琴

        (貴州大學(xué)電氣工程學(xué)院,貴陽550025)

        1 引言

        近年來,隨著無人駕駛技術(shù)的深入發(fā)展,無人車輛等新興的智能交通工具都處在實(shí)驗(yàn)落跑進(jìn)程中。如何有效地檢測出道路標(biāo)識線、保障車輛的安全行駛,目前仍是人工智能方向的研究熱點(diǎn)[1]。車道線是車輛行駛路面的重要交通標(biāo)志,能否準(zhǔn)確識別出車道線決定著車輛的行駛安全性能。傳統(tǒng)的車道線檢測方法主要包括特征法[2]與模型法[3]等。隨著深度神經(jīng)網(wǎng)絡(luò)在圖像處理領(lǐng)域受到廣泛應(yīng)用,一些經(jīng)典的分割網(wǎng)絡(luò)也被應(yīng)用到車道線的檢測中,例如MASK[4]、R-CNN[5]、FCN[6]、Unet[7]等,皆在車道線檢測中均表現(xiàn)出不俗的檢測性能。深度學(xué)習(xí)的方法不僅大大提高了檢測的準(zhǔn)確率,也加快了檢測速率。

        在現(xiàn)有研究成果的基礎(chǔ)上,在此提出一種基于改進(jìn)FCN網(wǎng)絡(luò)的車道線分割算法。對FCN的特征提取網(wǎng)絡(luò)做出改進(jìn),包括加深網(wǎng)絡(luò)層數(shù)和修改卷積核個數(shù);引入Unet網(wǎng)絡(luò)并聯(lián)跳躍結(jié)構(gòu),將編碼層的特征圖與解碼層的特征圖進(jìn)行連接,實(shí)現(xiàn)輸出結(jié)果與多層語義信息的結(jié)合;以Conv2DTranspose代替網(wǎng)絡(luò)層中的UpSampling2D來實(shí)現(xiàn)上采樣。由于存在學(xué)習(xí)的過程,可實(shí)現(xiàn)更好的分割效果。

        2 FCN網(wǎng)絡(luò)原理

        FCN是深度學(xué)習(xí)網(wǎng)絡(luò),作為圖像分割應(yīng)用的基礎(chǔ),它是一種“端到端”的圖像分割方法,其網(wǎng)絡(luò)中所有的層都是卷積層[8]。

        FCN網(wǎng)絡(luò)從像素級別上實(shí)現(xiàn)了對圖像特征的分類,從而實(shí)現(xiàn)圖像的語義分割。經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)通常是在卷積層之后添加全連接層,將輸出特征表示為一定長度的特征向量,然后再對其進(jìn)行概率預(yù)測從而實(shí)現(xiàn)分類。相比之下,F(xiàn)CN與之不同之處在于逐層卷積層提取特征圖后,會采用逐個反卷積將最后一個卷積層輸出的特征圖進(jìn)行逐層上采樣,最終的輸出圖像是與原圖像素數(shù)目相同的特征圖,從而實(shí)現(xiàn)在原圖上對每個像素點(diǎn)的語義預(yù)測,同時也保留了原圖上的空間信息。傳統(tǒng)的FCN網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

        3 網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)

        由于FCN網(wǎng)絡(luò)本身結(jié)構(gòu)限制,上下文信息不足,可能存在梯度消失等問題;在上采樣過程中需要插值填補(bǔ)空白區(qū)域,需要更多的輔助信息,將該網(wǎng)絡(luò)應(yīng)用到車道線檢測中,此類問題亟待解決。更深層的卷積操作能更有效地提取特征,適當(dāng)?shù)卦黾泳W(wǎng)絡(luò)層數(shù)并修改卷積核個數(shù)能獲得更多的語義信息,結(jié)合并聯(lián)跳躍結(jié)構(gòu)就能融合不同維度的特征,逆卷積的替換也讓輸出層信息表達(dá)更加豐富。

        3.1 網(wǎng)絡(luò)層數(shù)與并聯(lián)跳躍結(jié)構(gòu)

        卷積層、逆卷積層的適當(dāng)增加能提取更高維度的特征信息并使輸出圖像信息更加豐富;增加卷積核個數(shù)即增加每個卷積層濾波器的數(shù)量,能獲得每個輸入特征上更多的語義信息。

        單純的“編碼器-解碼器”架構(gòu)在編碼過程中會壓縮或丟失大量細(xì)節(jié)信息,其中包括對于分割任務(wù)非常重要的空間域信息,這些信息的丟失會大大影響解碼過程中分割任務(wù)的好壞,不利于精確的分割掩膜的生成。

        并聯(lián)跳躍結(jié)構(gòu)將編碼器結(jié)構(gòu)中卷積層得到的特征圖“接合”(concatenate)到對應(yīng)的上采樣層,使得各卷積層輸出的特征圖能被有效地利用到后續(xù)計(jì)算中。它通過將淺層的卷積層連接到對應(yīng)的上采樣層,從而結(jié)合低等級特征圖中的特征,使得最終所得到的特征圖中既包含高等級的特征,也包含了很多低等級的特征,實(shí)現(xiàn)不同規(guī)模下的特征融合,更有利于生成分割掩膜。

        改進(jìn)后的包含并聯(lián)跳躍結(jié)構(gòu)的網(wǎng)絡(luò)模型如圖2所示。圖中橫向兩層的連接即為卷積層對應(yīng)連接到上采樣層。

        圖2 并聯(lián)跳躍結(jié)構(gòu)網(wǎng)絡(luò)

        3.2 逆卷積

        Conv2DTranspose是正常卷積的反向操作,通過可學(xué)習(xí)的參數(shù)獲得更好的卷積效果。這一逆卷積過程如圖3所示。

        圖3 逆卷積過程示意圖

        UpSampling2D是Pooling的反向操作,通過采用最近鄰插值法來將輸入特征圖進(jìn)行放大,主要通過復(fù)制行和列的數(shù)據(jù)來進(jìn)行擴(kuò)充。反向梯度傳播的時候,插值取每個單元格的梯度之和。

        譬如,給定一個特征圖a,高和寬分別表示為Ha和Wa,相應(yīng)的卷積核設(shè)置為:卷積核尺寸MH×MW,步長為S,零填充為P。逆卷積操作分為三步進(jìn)行:

        第一步:在特征圖a原先高度和寬度方向的每兩個相鄰像素間插上S-1列0,得到特征圖b;特征圖b的寬和高分別表示為Hb=Ha+(S-1)(Ha-1)、Wb=Wa+(S-1)(Wa-1)。

        第二步:設(shè)置新的卷積核:S′=1,卷積核大小仍為MH×MW不變,P′=S-P-1。

        第三步:用新的卷積核在特征圖b上做卷積運(yùn)算,得到的結(jié)果就是逆卷積的結(jié)果,亦即要求的結(jié)果特征圖c的大小。

        上述過程的簡單推導(dǎo)可概括為下式:

        代入特征圖b及新卷積核設(shè)置,進(jìn)一步化簡為:

        特征圖c的寬度Wc同理可得。

        4 網(wǎng)絡(luò)模型訓(xùn)練實(shí)驗(yàn)及結(jié)果分析

        實(shí)驗(yàn)操作系統(tǒng)為Windows10;深度學(xué)習(xí)框架為T ensor F low2.0.0;Python版本為3.6.8;顯卡為NVIDIA V100。

        深度神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練需要大量優(yōu)良數(shù)據(jù)的支撐。車道線數(shù)據(jù)集中包含結(jié)構(gòu)化路面及高速公路車道線圖片,給網(wǎng)絡(luò)提供了真實(shí)的標(biāo)準(zhǔn)數(shù)據(jù),確保卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)得到更好的擬合。網(wǎng)絡(luò)訓(xùn)練過程中,通過將網(wǎng)絡(luò)預(yù)測的結(jié)果與真實(shí)結(jié)果進(jìn)行對比獲取損失值,同時自動地調(diào)整模型權(quán)重,使模型輸出預(yù)測值逐漸接近真實(shí)值,實(shí)現(xiàn)車道線的分割檢測任務(wù)。因此,需要有標(biāo)簽Label記錄標(biāo)注點(diǎn)的位置,并且將數(shù)據(jù)劃分為訓(xùn)練集、驗(yàn)證集,之后再對模型進(jìn)行預(yù)訓(xùn)練,并將預(yù)訓(xùn)練模型在數(shù)據(jù)集上進(jìn)行調(diào)優(yōu)與測試。

        分別對改進(jìn)前后的分割網(wǎng)絡(luò)進(jìn)行訓(xùn)練,共包含訓(xùn)練集5400張、測試集720張。深度學(xué)習(xí)框架選用TensorFlow,優(yōu)化策略為Adam,初始學(xué)習(xí)率為0.001,batch_size為16,迭代次數(shù)(epoch)為200次。通過200次的迭代,改進(jìn)前的網(wǎng)絡(luò)結(jié)構(gòu)平均準(zhǔn)確率為82%,改進(jìn)后的網(wǎng)絡(luò)結(jié)構(gòu)平均準(zhǔn)確率為83%,比之前精度提升了1%,對模型的特征提取能力有一定的提升;改進(jìn)前的網(wǎng)絡(luò)模型的損失函數(shù)值為0.0097,改進(jìn)后的損失函數(shù)值為0.0053,改進(jìn)后的網(wǎng)絡(luò)模型的loss收斂效果更佳。

        獲取兩種FCN網(wǎng)絡(luò)模型后,分別在同一環(huán)境中對車道線進(jìn)行測試,測試效果如圖4所示。改進(jìn)后的FCN網(wǎng)絡(luò)模型的分割精度比原模型的分割網(wǎng)絡(luò)提高1%,進(jìn)一步驗(yàn)證了改進(jìn)模型的有效性。

        圖4 改進(jìn)前后網(wǎng)絡(luò)測試效果對比

        5 結(jié)束語

        在FCN網(wǎng)絡(luò)的基礎(chǔ)上,增加網(wǎng)絡(luò)層數(shù)并修改卷積核個數(shù),提取出更多的語義信息,采用并聯(lián)跳躍結(jié)構(gòu)將encoding的feature map與decoding的feature map進(jìn)行連接,可以在進(jìn)行分類預(yù)測時利用多層信息,將UpSampling2D改為Conv2DTranspose實(shí)現(xiàn)上采樣的過程,獲得了更好的分割效果。改進(jìn)后的網(wǎng)絡(luò)結(jié)構(gòu)與原來的網(wǎng)絡(luò)結(jié)構(gòu)在分類精度上有所提高,在分割精度上也有一定的提升。后續(xù)研究中,還應(yīng)進(jìn)一步提高訓(xùn)練集數(shù)據(jù)的豐富度,增強(qiáng)模型的泛化能力。

        猜你喜歡
        特征檢測信息
        “不等式”檢測題
        “一元一次不等式”檢測題
        “一元一次不等式組”檢測題
        如何表達(dá)“特征”
        不忠誠的四個特征
        抓住特征巧觀察
        訂閱信息
        中華手工(2017年2期)2017-06-06 23:00:31
        小波變換在PCB缺陷檢測中的應(yīng)用
        展會信息
        中外會展(2014年4期)2014-11-27 07:46:46
        線性代數(shù)的應(yīng)用特征
        河南科技(2014年23期)2014-02-27 14:19:15
        丁香婷婷激情视频在线播放| 永久黄网站免费视频性色| 欧美操逼视频| 国产成人亚洲综合无码精品| 日本高清不卡一区二区三区| 国产精品国三级国产a| 国产特级毛片aaaaaa视频| 国产丰满老熟女重口对白| 亚洲 美腿 欧美 偷拍| 人妻经典中文字幕av| 无码国内精品久久人妻| 永久黄网站色视频免费| 国产 无码 日韩| 亚洲综合中文字幕日韩| 亚洲国产精品无码专区| 亚洲成aⅴ人在线观看| 中文字幕人成乱码中文乱码| 中文字幕中文字幕在线中二区| 免费看av在线网站网址| 99热这里只有精品国产99热门精品| 亚洲一码二码在线观看| av在线免费观看网站免费| 午夜福利试看120秒体验区| 亚洲午夜精品a区| 99精品视频69v精品视频免费| 白色白在线观看免费2| 久久精品国产亚洲av麻豆色欲| 色欲aⅴ亚洲情无码av蜜桃| 校花高潮一区日韩| 人妻少妇猛烈井进入中文字幕| 让少妇高潮无乱码高清在线观看| 久青草国产在线观看| 久久天堂精品一区专区av| 色综合久久中文字幕综合网| 国产亚洲精品资源在线26u| 99久久国产综合精品女乱人伦| 青青草在线免费观看视频| 色偷偷亚洲第一成人综合网址 | 免费观看18禁无遮挡真人网站| 国产精品成人va| 91国语对白在线观看|