基于深度学习的无人车场景实例分割技术研究

第 1 章绪论

1.1 课题背景及研究目的和意义

1.2 国内外研究现状及分析

1.2.1 目标检测研究现状

1.2.2 图像语义分割的研究现状

1.2.3 实例分割的研究现状

1.2.4 研究现状简析

1.3 主要研究内容

1.4 文章组织结构安排

第 2 章实例分割相关原理与算法介绍

2.1 引言

2.2 基础网络

2.2.1 卷积神经网络的组成

2.3 基于深度学习的目标检测算法技术

2.3.1 候选区域生成

2.3.2 目标检测任务中的多尺度特征图

2.3.3 候选框过滤算法

2.3.4 YOLOv3 单目标检测算法

2.4 基于深度学习的图像语义分割算法技术

2.5 基于深度学习的实例分割算法技术

2.5.1 Mask RCNN实例分割算法

2.6 本章小结

第 3 章适用于无人车场景的快速实例分割算法

3.1 引言

3.2 适用于无人车场景的快速实例分割算法总体框架

3.3 基础网络模块

3.3.1 残差模块与跳层连接

3.3.2 ResNet101网络

3.3.3 Darknet53网络

3.4 目标检测模块

3.4.1 目标检测任务特征融合方式

3.4.2 目标检测边界框预测

3.4.3 快速NMS算法

3.5 实例分割模块

3.5.1 图像语义分割任务特征融合方式

3.5.2 输入模块

3.5.3 解码器模块

3.6 损失函数

3.7 本章小结

第 4 章实验结果及分析

4.1 引言

4.2 实验条件介绍

4.2.1 实验设置与实验环境

4.2.2 数据集介绍

4.2.3 评价指标

4.3 数据预处理与模型实现

4.3.1 数据预处理

4.3.2 训练方式

4.4 模型各模块组合实验与分析

4.4.1 不同基础网络与再池化层组合实验与分析

4.4.2 语义分割任务特征融合方式对实验结果的影响

4.4.3 快速NMS算法对实验结果的影响

4.4.4 最终模型与其他文献对比

4.5 模型在CityScapes 数据集实验结果

4.6 算法效果展示

4.6.1 COCO2017测试集实验效果

4.6.2 无人驾驶数据集CityScapes测试集实验效果

4.6.3 无人清扫车实测实验效果

4.7 本章小结

结论

参考文献

攻读硕士学位期间发表的论文及其它成果

声明

致谢