基于NVIDIA Jetson TX2的道路场景分割

图像语义分割是计算机视觉领域重要研究方向之一,其中基于深度学习的语义分割相较于传统分割算法更为高效可靠,可应用于交通监控、自动驾驶等领域的场景理解阶段.但复杂的分割网络在嵌入式平台上的推理速度较低,难以进行实际应用.因此针对交通监控、无人驾驶等应用背景,在嵌入式平台NVIDIA Jetson TX2上,采用基于深度卷积编解码器结构的图像分割网络,对道路场景进行语义分割,并基于NVIDIA的推理加速器TensorRT2,完成网络模型简化、网络自定义层添加与CUDA并行优化,实现了对网络推理阶段的加速.实验结果表明,加速引擎在TX2上的推理速度约为原模型的10倍,为复杂分割网络在嵌入式平台上的应用提供了支持.

生态系统净化空气服务研究进展

生态系统服务对人类福祉和区域可持续发展具有不可替代性,净化空气是生态系统服务主要类型之一,对于人居质量改善和区域生态文明建设具有重要意义。对生态系统净化空气服务及其量化研究成果进行归纳整理,阐述了生态系统净化空气服务的来源、概念及内涵,归纳总结了市场理论法和生态模型法估算净化空气服务的优缺点,梳理了国内外相关研究实践与进展。针对净化空气服务研究理论体系不完善、时空动态研究方法较少、生态系统类型较单一和尺度整合研究成果不足等问题,提出未来应强化生态系统净化空气服务理论基础针对性,重视研究方法动态化和精准化,加强多尺度融合和生态系统类型多样性。

基于NVIDIA JetsonTX2的视频行为检测研究

行为检测是计算机视觉领域的一个重要研究方向,在交通监控、人机交互等方面都有着广泛的应用。目前,基于深度学习的C3D行为检测网络与传统行为检测相比,其检测精度虽然有了提高,但存在网络参数量大的问题。为进一步提高检测结果的准确性以及降低网络参数量,采用改进的SqueezeNet与C3D相结合的卷积神经网络,并引入BN层与short-cut结构。将训练模型部署到NVIDIA JetsonTX2上,对视频行为进行分析、检测。实验结果表明,改进后的SqueezeNet-C3D卷积神经网络相比于C3D神经网络在精度上提高了4.4%;改进后的SqueezeNet-C3D网络与SqueezeNet-C3D网络相比,参数量降低了15%。可见该网络具有精度高、参数量少的优点。