基于深度学习的无人车夜视图像语义分割

为了增强无人车对夜视图像的场景理解,在夜间模式下更快更精确地探测和识别周围环境,将深度学习应用于夜视图像的场景语义分割,提出了一种基于卷积-反卷积神经网络的无人车夜视图像语义分割方法。在传统的卷积神经网络中加入反卷积网络,构建卷积-反卷积神经网络,无需手工选取特征。通过像素到像素的学习和训练,得到图像语义分割模型,可直接用该模型预测夜视图像中每个像素所属的场景语义类别,实现无人车夜间行驶时的环境感知。实验结果表明,该方法具有较好的准确性和实时性,平均IU达到68.47。

基于加速区域卷积神经网络的夜间行人检测研究

行人检测是机器人和无人车夜间工作应用中的重要任务之一,采用加速区域卷积神经网络框架实现夜间红外图像中的行人检测,用区域建议网络生成候选区域,无需单独从图像中生成候选区域。区域建议网络和用于分类以及位置精修的卷积网络中,采用卷积层参数共享机制,使得该框架具有端到端的优点,因此无需手动选取目标特征,实现了从输入图像直接到行人检测的功能。实验结果表明,与使用传统方法和快速区域卷积神经网络相比,使用加速区域卷积网络框架对红外图像进行行人检测的准确率从68.2%和73.4%提高到了90.9%,检测时间从3.6s/frame和2.3s/frame缩短到了0.04s/frame,达到了实际应用中的实时性要求。