基于深度卷积神经网络的道路场景理解

• 作者: 傅卫平 吴宗胜 韩改宁
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 深度学习 卷积神经网络 场景理解 语义分割
• 年，卷（期）: 2017,（22）
• 所属期刊栏目: 热点与综述
• 页码范围: 8-15
• 页数: 8页
• 分类号: TP181
• 字数: 6735字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.1708-0195

摘要

在无人驾驶技术中,道路场景的理解是一个非常重要的环境感知任务,也是一个很具有挑战性的课题.提出了一个深层的道路场景分割网络(Road Scene Segmentation Network,RSSNet),该网络为32层的全卷积神经网络,由卷积编码网络和反卷积解码网络组成.网络中采用批正则化层防止了深度网络在训练中容易出现的"梯度消失"问题;在激活层中采用了Maxout激活函数,进一步缓解了梯度消失,避免网络陷入饱和模式以及出现神经元死亡现象;同时在网络中适当使用Dropout操作,防止了模型出现过拟合现象;编码网络存储了特征图的最大池化索引并在解码网络中使用它们,保留了重要的边缘信息.实验证明,该网络能够大大提高训练效率和分割精度,有效识别道路场景图像中各像素的类别并对目标进行平滑分割,为无人驾驶汽车提供有价值的道路环境信息.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	韩改宁	咸阳师范学院计算机学院	31	112	6.0	8.0
2	傅卫平	西安理工大学机械与精密仪器工程学院	117	1874	22.0	38.0
3	吴宗胜	咸阳师范学院计算机学院	4	28	3.0	4.0