基于卷积神经网络的道路场景感知算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-20页 |
| 1.1 课题来源及研究目的和意义 | 第9-10页 |
| 1.2 国内外相关技术发展现状 | 第10-19页 |
| 1.2.1 语义分割算法国内外发展现状 | 第10-16页 |
| 1.2.2 单目深度估计算法国内外发展现状 | 第16-19页 |
| 1.3 本文的主要研究内容 | 第19-20页 |
| 第2章 道路场景感知系统及CNN算法研究 | 第20-32页 |
| 2.1 引言 | 第20页 |
| 2.2 道路场景感知系统的研究 | 第20-23页 |
| 2.3 卷积神经网络算法原理 | 第23-31页 |
| 2.3.1 人工神经网络 | 第23-26页 |
| 2.3.2 卷积神经网络模型 | 第26-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 基于CNN的道路场景语义分割 | 第32-44页 |
| 3.1 引言 | 第32页 |
| 3.2 语义分割卷积神经网络 | 第32-34页 |
| 3.3 基于FCN的道路场景语义分割算法 | 第34-39页 |
| 3.3.1 上采样方法的研究 | 第35-36页 |
| 3.3.2 跳跃结构的设计 | 第36-38页 |
| 3.3.3 数据类别平衡方法的研究 | 第38-39页 |
| 3.4 基于残差单元的轻量化语义分割模型设计 | 第39-43页 |
| 3.4.1 残差单元模型 | 第39-41页 |
| 3.4.2 基于扩张卷积的多尺度信息获取 | 第41-42页 |
| 3.4.3 整体模型的设计 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 基于CNN的道路场景单目深度估计 | 第44-55页 |
| 4.1 引言 | 第44页 |
| 4.2 双目视觉测距原理 | 第44-46页 |
| 4.3 无监督单目深度估计模型 | 第46-51页 |
| 4.3.1 基于图像重构方法生成视差图 | 第46-47页 |
| 4.3.2 基于交叉采样的左右视差一致性方法 | 第47-49页 |
| 4.3.3 多损失联合模型 | 第49-51页 |
| 4.4 卷积神经网络模型的设计 | 第51-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 实验分析及算法评估 | 第55-74页 |
| 5.1 引言 | 第55页 |
| 5.2 语义分割算法评估及分析 | 第55-65页 |
| 5.2.1 语义分割数据集及算法评价方法 | 第55-57页 |
| 5.2.2 数据类别平衡方法实验 | 第57-58页 |
| 5.2.3 基于FCN的语义分割算法实验分析 | 第58-60页 |
| 5.2.4 基于残差单元的语义分割算法实验 | 第60-65页 |
| 5.3 深度估计算法评估及分析 | 第65-73页 |
| 5.3.1 深度估计数据集采集处理及算法评价方法 | 第65-69页 |
| 5.3.2 深度估计实验结果及分析 | 第69-73页 |
| 5.4 本章小结 | 第73-74页 |
| 结论 | 第74-75页 |
| 参考文献 | 第75-80页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第80-82页 |
| 致谢 | 第82页 |
