基于小目标类别注意力机制与特征融合的AF-ICNet非结构化场景语义分割方法

针对非结构化道路分割难度大、小目标检测精度较低等问题,构建基于小目标类别注意力机制与特征融合的AF-ICNet轻量级实时语义分割网络。采用空洞空间卷积池化金字塔融合不同尺度特征感受野以增强网络的全局感知能力。嵌入CA注意力机制,建立通道信息和空间位置信息以增强网络对非结构化道路小目标类别语义特征的提取能力。针对类别分布不均衡问题,改进权重交叉熵损失函数。利用AF-ICNet模型对Cityscapes与IDD数据集进行训练,在Cityscapes测试图像中分割的MIoU达到了71.5%,在IDD测试图像中分割的MIoU达到了62.5%。搭建实验测试系统进行实景测试,测试结果表明,AF-ICNet有效提升了非结构化道路及小目标类别的分割精度,并满足测试的实时性要求。

基于Mask R-CNN的服装搭配评分系统

在服装市场规模的日益攀升,以及女性服装消费更偏向于满足审美需求的背景下,女性群体普遍存在旧衣堆积、搭配困难、审美单一的难题。针对这种情况,创新性地结合Mask R-CNN模型提出服装搭配评分算法,定量地为服装搭配进行评分,为用户推荐最佳搭配方案。基于模型的服装识别处理算法对服装图像进行识别和特征处理,实现从图像数据到一维特征向量数据的转换。对得到的服装特征向量进行分析处理,依据搭建好的时尚搭配库计算上下装之间搭配度,实现评分。服装类别识别实验表明,服装在被穿着、正面拍摄、较少遮挡等情况下进行款式识别,准确率达85.7%,服装分割精确率则达到0.868。搭配评分实验表明,正负样本评分测试的评分结果相差较大,反映模型的搭配评分效果较接近大多数人的审美要求。

智能汽车环境感知方法综述

智能汽车是全球汽车产业的未来发展方向,是推动我国自主汽车产业高质量发展的应有之义。智能汽车依靠人工智能、泛在传感等先进技术的赋能,实现对驾驶人认知感知、决策规划及控制执行的增强或替代。对道路环境的实时、精准和鲁棒的感知是汽车智能化的基石,近十年间智能汽车感知领域的巨大飞跃多是由深度学习技术推动的。针对近年智能汽车环境感知技术的发展现状,首先梳理智能汽车环境感知系统软硬件架构,对感知、计算设备以及算法部署平台进行总体概述;其次,围绕目标检测与语义分割、多目标跟踪、目标意图识别与轨迹预测、环境建图四方面关键任务,总结近年具有里程碑意义的研究方法与技术方案;最后,分析当前智能汽车环境感知技术所面临的问题和挑战,并对未来发展趋势与关键技术进行展望。