基于目标检测的城市路口车辆加塞的行为识别研究

针对城市交通路口常见的车辆加塞行为,建立一个基于目标检测算法的车辆加塞行为识别模型。首先对城市路口图像进行目标检测,并对检测结果进行目标类别筛选,保留加塞行为的目标类别;其次对目标中心点进行Hough变换,在图像中拟合多条直线;然后对Hough变换的结果进行非极大值抑制、非车道方向抑制等后处理,得到输入图像中车道方向直线;最后通过计算目标中心点与车道方向直线的距离判定目标是否具有加塞行为。本文采用Hough变换对基于深度学习的目标检测结果进行处理,通过拟合图像中车道方向直线,判断车辆与车道方向直线的距离,可有效检测路口车辆的加塞行为。

基于深度学习的点云上采样算法研究

点云上采样能够提高点云分辨率并保持点云的特征,近年来越来越受到人们的重视。基于深度学习的点云上采样算法相较于基于优化的算法,能够更有效地学习点云的特征和结构,且对数据的先验要求不高,取得了先进的上采样效果。因此基于深度学习的点云上采样是当前许多学者主要研究的方向之一。本文综述了基于深度学习的点云上采样算法,阐述了点云上采样的整体框架以及改进的策略,并介绍了点云上采样效果的评价指标以及常用的数据集,最后探讨了点云上采样的未来的几个极具潜力的发展方向。

深度学习中的优化算法研究

深度学习作为处理神经网络的一个热门研究方向,在近些年来备受关注。深度学习模型是一个多层次的网络结构,评价模型最终效果优劣的网络参数必须通过深度学习优化器进行训练,因此深度学习中的优化算法成为了国内外的研究热点。本文对深度学习中的一阶优化算法进行综述,首先介绍了经典的随机梯度下降及其动量变体优化算法,然后介绍了近年更流行的自适应学习率优化算法,最后对未来深度学习中优化算法的发展进行了总结与展望。