基于改进GAN的端到端自动驾驶图像生成方法

摘要：

基于端到端数据系统的自动驾驶系统对驾驶图像存在巨大需求.为解决一般生成式对抗网络模型在扩充驾驶图像数据集时不稳定及生成图像特征缺乏多样性的问题,研究1种改进网络模型LS-InfoGAN.结合最小二乘对抗损失防止模型梯度消失,并缓解生成器优化矛盾,提升模型训练稳定性.通过最大化生成图像与真实图像间的互信息提升生成器特征学习能力,改善生成图像特征多样性.利用转置卷积层还原图像特征,提升生成图像特征清晰度.以自主构建的模拟驾驶场景中获取的带标签驾驶图像集对模型有效性及其数据集扩充应用效果进行验证.实验分析表明:相比改进前模型,LS-InfoGAN模型的图像生成过程稳定性平均提升35％;使用此模型扩充的数据集进行端到端自动驾驶系统中决策网络的训练能在不采集新图像的情况下将系统决策性能提升1％～2％;建议使用此模型扩充图像数据集时将生成图像数量设置为原始训练集图像数量的1～2倍.

关键词：智慧交通;数据增强;图像生成;生成式对抗网络

所属期刊栏目：39

分类号：U491.2(交通工程与公路运输技术管理)

资助基金：国家自然科学基金项目;湖北省自然科学基金项目

在线出版日期：2021-11-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：50-58,75