基于深度卷积神经网络的道路场景理解

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.

关键词：深度学习、卷积神经网络、场景理解、语义分割

所属期刊栏目：53

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金10872160

在线出版日期：2017-12-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：8-15