基于生成式对抗网络（GAN）的自动驾驶容错感知研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 自动驾驶系统及其发展 | 第11-13页 |
| 1.3 自动驾驶感知中存在的问题与本论文工作重点 | 第13-15页 |
| 1.4 图像生成和预测概述 | 第15-18页 |
| 1.5 本论文研究内容及创新点 | 第18-21页 |
| 1.5.1 本论文研究内容 | 第18-19页 |
| 1.5.2 各章节主要内容安排及创新点 | 第19-21页 |
| 第二章 基于深度学习的车道线图像增强与检测 | 第21-41页 |
| 2.1 车道线检测技术概述 | 第21-23页 |
| 2.2 问题与工作重点 | 第23-24页 |
| 2.3 车道线图像生成与检测技术框架和算法 | 第24-29页 |
| 2.3.1 算法框架 | 第24-25页 |
| 2.3.2 车道线生成网络损失函数 | 第25-26页 |
| 2.3.3 生成网络的结构 | 第26-29页 |
| 2.4 数据集制作 | 第29-31页 |
| 2.5 实验与分析 | 第31-39页 |
| 2.5.1 图片的生成 | 第31-35页 |
| 2.5.2 后处理 | 第35-37页 |
| 2.5.3 还存在的问题与适用场景 | 第37-39页 |
| 2.6 本章小结 | 第39-41页 |
| 第三章 基于GAN的驾驶环境动态图像感知预测 | 第41-61页 |
| 3.1 引言 | 第41-43页 |
| 3.2 基本模型 | 第43-46页 |
| 3.2.1 GAN训练框架 | 第43-44页 |
| 3.2.2 基本生成器 | 第44-45页 |
| 3.2.3 多尺度GAN | 第45-46页 |
| 3.3 模型改进 | 第46-49页 |
| 3.3.1 卷积特征损失 | 第46-48页 |
| 3.3.2 卷积中间特征层共享 | 第48-49页 |
| 3.4 实验与分析 | 第49-59页 |
| 3.4.1 数据集介绍 | 第49-50页 |
| 3.4.2 网络结构参数配置 | 第50-52页 |
| 3.4.3 实验结果与对比 | 第52-55页 |
| 3.4.4 定量分析 | 第55-58页 |
| 3.4.5 存在的问题与局限 | 第58-59页 |
| 3.5 本章小结 | 第59-61页 |
| 第四章 基于视角生成网络的图像恢复与SLAM容错 | 第61-89页 |
| 4.1 引言 | 第61-63页 |
| 4.2 模型与改进 | 第63-75页 |
| 4.2.1 深度估计网络 | 第63-66页 |
| 4.2.2 改进的图像补全网络 | 第66-73页 |
| 4.2.3 ORB-SLAM | 第73-75页 |
| 4.3 实验 | 第75-86页 |
| 4.3.1 KITTI数据集实验 | 第75-78页 |
| 4.3.2 Cityscapes数据集实验 | 第78-80页 |
| 4.3.3 联合分析 | 第80-82页 |
| 4.3.4 不同掩码阈值对模型4的影响 | 第82-85页 |
| 4.3.5 后处理 | 第85-86页 |
| 4.4 本章小结 | 第86-89页 |
| 第五章 总结与展望 | 第89-93页 |
| 5.1 本论文研究内容的总结 | 第89-90页 |
| 5.2 本论文工作的局限与展望 | 第90-93页 |
| 参考文献 | 第93-99页 |
| 致谢 | 第99-101页 |
| 附录 | 第101页 |
