CN110009095A - 基于深度特征压缩卷积网络的道路行驶区域高效分割方法 - Google Patents

基于深度特征压缩卷积网络的道路行驶区域高效分割方法 Download PDF

Info

Publication number
CN110009095A
CN110009095A CN201910161405.6A CN201910161405A CN110009095A CN 110009095 A CN110009095 A CN 110009095A CN 201910161405 A CN201910161405 A CN 201910161405A CN 110009095 A CN110009095 A CN 110009095A
Authority
CN
China
Prior art keywords
convolution
layer
characteristic pattern
length
characteristic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910161405.6A
Other languages
English (en)
Other versions
CN110009095B (zh
Inventor
李旭
郑智勇
徐启敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201910161405.6A priority Critical patent/CN110009095B/zh
Publication of CN110009095A publication Critical patent/CN110009095A/zh
Application granted granted Critical
Publication of CN110009095B publication Critical patent/CN110009095B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于深度特征压缩卷积网络的道路行驶区域高效分割方法，该方法针对当前大部分基于深度学***衡，实现了道路行驶区域的高效分割。

Description

基于深度特征压缩卷积网络的道路行驶区域高效分割方法
技术领域
本发明属于计算机视觉及智能车辆环境感知技术领域，涉及道路行驶区域分割方法，尤其涉及一种基于深度特征压缩卷积网络的道路行驶区域高效分割方法。
背景技术
随着汽车保有量的快速增长，城市交通面临着巨大压力，道路拥堵严重、交通事故频发以及环境污染等问题给经济和社会造成了巨大损失。为了减小这些损失，在加强道路基础设施建设、完善交通法律法规的同时，提高车辆的自动化和智能化水平成为一种有效的解决措施。在这种背景下，高级驾驶辅助***以及车辆自主驾驶***等技术受到了极大的关注并得到了飞速发展。这些智能***功能充分发挥的一个重要前提是实现对车辆周围环境准确、实时地感知。其中，道路分割作为智能车辆环境感知技术的重要组成部分得到了广泛地研究。
考虑到成本、可行性等影响因素，目前大部分道路分割方法是基于计算机视觉的。然而在实际交通场景中，由于建筑及树木阴影、路面材质、光照变化等因素的影响，路面呈现各种各样的外观，同时路面上还存在车辆、行人等障碍物，这些因素对基于视觉的道路分割提出了挑战。传统基于视觉的道路分割方法大多利用图像的颜色、纹理以及边缘等低级特征，需耗费相当大的时间和精力来设计人工特征。一般而言，这些方法对于复杂的道路环境适应性不强，难以获得准确、可靠的分割结果。
近年来，深度学习技术的不断突破为富有挑战性的道路分割任务提供了一种新的解决思路。与传统方法相比，深度学习的突出优势是可避免复杂繁琐的人工特征设计过程，借助自身强大的特征学习能力，进而获得更准确、鲁棒的分割性能。然而当前大部分基于深度学习的道路分割模型重点关注准确性的提升，其实时性一般难以满足智能车辆环境感知的要求。相反，一些满足实时性要求的模型往往又在准确性方面做出了妥协。
发明内容
为解决上述问题，本发明公开了一种基于深度特征压缩卷积网络的道路行驶区域高效分割方法，该方法针对当前大部分基于深度学习的道路分割方法难以同时满足准确性和实时性要求的问题，设计了能够兼顾准确性和实时性的深度特征压缩卷积神经网络，实现了道路行驶区域高效分割。
为了达到上述目的，本发明提供如下技术方案：
基于深度特征压缩卷积网络的道路行驶区域高效分割方法，包括以下步骤：
(1)建立道路分割数据集；
(2)构建深度特征压缩卷积神经网络，首先，设计标准卷积层及池化层对提取的道路特征进行初步压缩，然后借助扩张卷积层能够增大感受野的优势并对其进行优化设计，以弥补特征初步压缩时造成的道路空间位置信息损失，进而融合分解卷积层进行深度特征压缩，得到精简的特征提取结构，最后提出参数可学习的逐层分级上采样策略对深度压缩后的道路特征进行解耦，获得深度特征压缩卷积神经网络，包括以下子步骤：
子步骤1：设计标准卷积层，标准卷积层数量为6，卷积核数量分别为64、64、128、128、256、2，卷积核大小均为3×3，步长均为1；
子步骤2：设计池化层，池化层数量为2，均采用最大池化操作，采样尺寸均为2×2，步长均为2；
子步骤3：设计扩张卷积层，扩张卷积层数量为3，扩张率分别为4、6、8，卷积核数量分别为256、256、512，卷积核大小均为3×3，步长均为1；
子步骤4：设计分解卷积层，分解卷积层数量为2，卷积核数量分别为512、512，卷积核大小分别为3×1、1×3，步长均为1；
子步骤5：设计反卷积层，反卷积层数量为2，卷积核数量分别为2、2，卷积核大小均为3×3，步长均为2；
子步骤6：确定网络架构，根据步骤(2)的子步骤1～5中网络层参数建立不同的网络模型，然后利用步骤(1)所建立的数据集对这些模型进行验证，从中筛选出兼顾准确性和实时性的网络结构，得到最优网络架构如下：
标准卷积层1_1：用64个3×3的卷积核与A×A像素的输入样本做卷积，步长为1，再经过ReLU激活，得到维度为A×A×64的特征图；
标准卷积层1_2：用64个3×3的卷积核与标准卷积层1_1输出的特征图做卷积，步长为1，再经过ReLU激活，得到维度为A×A×64的特征图；
池化层1：用2×2的核对标准卷积层1_2输出的特征图做最大池化，步长为2，得到维度为的特征图；
标准卷积层2_1：用128个3×3的卷积核与池化层1输出的特征图做卷积，步长为1，再经过ReLU激活，得到维度为的特征图；
标准卷积层2_2：用128个3×3的卷积核与标准卷积层2_1输出的特征图做卷积，步长为1，再经过ReLU激活，得到维度为的特征图；
池化层2：用2×2的核对标准卷积层2_2输出的特征图做最大池化，步长为2，得到维度为的特征图；
扩张卷积层3_1：用256个3×3的卷积核与池化层2输出的特征图做卷积，步长为1，扩张率为4，再经过ReLU激活，得到维度为的特征图；
标准卷积层3_2：用256个3×3的卷积核与扩张卷积层3_1输出的特征图做卷积，步长为1，再经过ReLU激活，得到维度为的特征图；
扩张卷积层3_3：用256个3×3的卷积核与标准卷积层3_2输出的特征图做卷积，步长为1，扩张率为6，再经过ReLU激活，得到维度为的特征图；
分解卷积层3_4：用512个3×1的卷积核与扩张卷积层3_3输出的特征图做卷积，步长为1，再经过ReLU激活，得到维度为的特征图；
分解卷积层3_5：用512个1×3的卷积核与分解卷积层3_4输出的特征图做卷积，步长为1，再经过ReLU激活，得到维度为的特征图；
扩张卷积层3_6：用512个3×3的卷积核与分解卷积层3_5输出的特征图做卷积，步长为1，扩张率为8，再经过ReLU激活，得到维度为的特征图；
标准卷积层3_7：用2个3×3的卷积核与扩张卷积层3_6输出的特征图做卷积，步长为1，再经过ReLU激活，得到维度为的特征图；
反卷积层4：用2个3×3的卷积核与标准卷积层3_7输出的特征图做反卷积，步长为2，得到维度为的特征图；
反卷积层5：用2个3×3的卷积核与反卷积层4输出的特征图做反卷积，步长为2，得到维度为A×A×2的特征图；；
(3)训练设计的深度特征压缩卷积神经网络，得到网络参数；
(4)使用深度特征压缩卷积神经网络进行道路行驶区域分割。
与现有技术相比，本发明具有如下优点和有益效果：
本发明通过对标准卷积层及池化层进行优化设计对提取的道路特征进行初步压缩，进而设计并优化了扩张卷积层以弥补特征初步压缩所造成的道路空间位置信息损失；接着融合分解卷积层实现道路特征深度压缩，不仅降低了网络结构的复杂度，而且具有强大的特征表达能力；最后提出参数可学习的逐层分级上采样策略对道路特征进行逐级解耦，可有效降低噪声的影响。本发明所设计的深度特征压缩卷积神经网络兼顾了分割准确性和实时性，有效克服了传统的基于深度学习道路分割方法难以同时满足准确性和实时性要求的问题，实现了道路行驶区域高效分割。
附图说明
图1是本发明的深度特征压缩卷积神经网络结构示意图。
图2是本发明的深度特征压缩卷积神经网络中扩张卷积的扩张率分布图。
图3是本发明的深度特征压缩卷积神经网络训练流程图。
图4是本发明的深度特征压缩卷积神经网络训练损失与验证损失变化图。
图5是本发明方法与常用的基于深度学习道路行驶区域分割方法的定性对比结果。
具体实施方式
以下将结合具体实施例对本发明提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明提供的基于深度特征压缩卷积网络的道路行驶区域高效分割方法，具体包括如下步骤：
(1)建立道路分割数据集，对车载摄像头获取的道路样本进行标注或者使用已有数据样本，将样本尺寸调整为227×227像素并记为Dk。
(2)设计深度特征压缩卷积神经网络架构，该架构由一个精细的特征提取模块和逐层分级解耦模块组成，在特征提取模块中，首先设计标准卷积层来提取图像中的道路特征，然后对池化层进行优化设计，初步压缩提取的道路特征，接着借助扩张卷积层能够增大感受野的优势，弥补特征初步压缩时造成的空间位置信息损失，进而融合分解卷积层对道路特征进行深度压缩，得到精简的特征提取结构，而在特征解耦模块中，提出参数可学习的逐层分级上采样策略对深度压缩后的道路特征进行解耦，得到深度特征压缩卷积神经网络，本步骤具体包括以下子步骤：
子步骤1：设计标准卷积层，一般而言，网络的特征表达能力随着卷积层数量的增加而增强，但堆叠较多的卷积层加大了计算量，实时性降低，而卷积层数量少则难以提取到表达能力强的道路特征。设标准卷积层数量为ns，取值范围为4～7，卷积核数量为nb(b＝1,2,...,ns)，nb一般取值为2的整数次幂，卷积核大小均为3×3，步长均为1；
子步骤2：设计池化层，池化层能够对特征进行压缩从而降低特征冗余，然而过度的特征压缩容易造成道路空间位置信息损失，阻碍了分割精度的提高。相反，虽然无池化操作保证了特征的冗余性，但极大地增加了计算负担。因此，在设计池化层时需综合考虑这两方面影响，设池化层数量为np，取值范围为2～3，均采用最大池化操作，采样尺寸均为2×2，步长均为2；
子步骤3：设计扩张卷积层，针对步骤(2)的子步骤2中池化层对特征进行初步压缩时造成道路空间位置信息损失的不足，借助扩张卷积能够扩大网络局部感受野的优势，对其进行优化设计以实现对道路位置信息的补偿。虽然堆叠扩张卷积层以及使用大扩张率增大了局部感受野，但引入了噪声，而且感受野太大使得网络忽略了道路的局部细节信息，造成分割不连续甚至漏分割。更为重要的是，为了消除在使用扩张卷积时“网格效应”对特征补偿作用的消极影响，优化了扩张卷积的扩张率，使其满足锯齿形分布。基于上述考虑，设扩张卷积层数量为nd，取值范围为2～5，扩张率为dr(r＝1,2,...,nd)，dr为偶数，取值范围为2～10，卷积核数量为na(a＝1,2,...,nd)，na一般取值为2的整数次幂，卷积核大小均为3×3，步长均为1；
子步骤4：设计分解卷积层，分解卷积能够将一个二维的卷积核压缩成两个一维的卷积核，极大地降低了特征冗余度，从而加快了网络运算速度，但频繁地使用分解卷积容易造成特征压缩过度，破坏了道路特征的连续性。设分解卷积层数量为nf，取值范围为2～6，卷积核数量为nc(c＝1,2,...,nf)，nc一般取值为2的整数次幂，卷积核大小为3×1或1×3，步长均为1；
子步骤5：设计反卷积层，由于在步骤(2)的子步骤2中执行了np次池化操作，使得特征图被压缩了1/np倍，为了使特征图恢复到原始图片大小，同时避免引入大量噪声，设计了np个参数可学习的反卷积层对特征图中深度压缩的道路特征进行逐层分级解耦，反卷积层的卷积核数量均为2，卷积核大小均为3×3，步长均为2；
子步骤6：确定网络架构，根据步骤(2)的子步骤1～5中各变量的取值范围，建立不同的网络模型，然后利用步骤(1)所建立的数据集对这些模型进行验证，从中筛选出兼顾准确性和实时性的最优网络架构，网络结构示意图如图1所示。其中，标准卷积层数量ns＝6，对应的卷积核数量nb分别为64、64、128、128、256、2；池化层数量np＝2；扩张卷积层数量nd＝3，扩张率dr分别为4、6、8并满足锯齿形分布，如图2所示，扩张卷积的卷积核数量na分别为256、256、512；分解卷积层数量nf＝2，分解卷积的卷积核数量nc分别为512、512。具体网络结构表述如下：
标准卷积层1_1：用64个3×3的卷积核与227×227像素的输入样本做卷积，步长为1，再经过ReLU激活，得到维度为227×227×64的特征图；
标准卷积层1_2：用64个3×3的卷积核与标准卷积层1_1输出的特征图做卷积，步长为1，再经过ReLU激活，得到维度为227×227×64的特征图；
池化层1：用2×2的核对标准卷积层1_2输出的特征图做最大池化，步长为2，得到维度为113×113×64的特征图；
标准卷积层2_1：用128个3×3的卷积核与池化层1输出的特征图做卷积，步长为1，再经过ReLU激活，得到维度为113×113×128的特征图；
标准卷积层2_2：用128个3×3的卷积核与标准卷积层2_1输出的特征图做卷积，步长为1，再经过ReLU激活，得到维度为113×113×128的特征图；
池化层2：用2×2的核对标准卷积层2_2输出的特征图做最大池化，步长为2，得到维度为56×56×128的特征图；
扩张卷积层3_1：用256个3×3的卷积核与池化层2输出的特征图做卷积，步长为1，扩张率为4，再经过ReLU激活，得到维度为56×56×256的特征图；
标准卷积层3_2：用256个3×3的卷积核与扩张卷积层3_1输出的特征图做卷积，步长为1，再经过ReLU激活，得到维度为56×56×256的特征图；
扩张卷积层3_3：用256个3×3的卷积核与标准卷积层3_2输出的特征图做卷积，步长为1，扩张率为6，再经过ReLU激活，得到维度为56×56×256的特征图；
分解卷积层3_4：用512个3×1的卷积核与扩张卷积层3_3输出的特征图做卷积，步长为1，再经过ReLU激活，得到维度为56×56×512的特征图；
分解卷积层3_5：用512个1×3的卷积核与分解卷积层3_4输出的特征图做卷积，步长为1，再经过ReLU激活，得到维度为56×56×512的特征图；
扩张卷积层3_6：用512个3×3的卷积核与分解卷积层3_5输出的特征图做卷积，步长为1，扩张率为8，再经过ReLU激活，得到维度为56×56×512的特征图；
标准卷积层3_7：用2个3×3的卷积核与扩张卷积层3_6输出的特征图做卷积，步长为1，再经过ReLU激活，得到维度为56×56×2的特征图；
反卷积层4：用2个3×3的卷积核与标准卷积层3_7输出的特征图做反卷积，步长为2，得到维度为113×113×2的特征图；
反卷积层5：用2个3×3的卷积核与反卷积层4输出的特征图做反卷积，步长为2，得到维度为227×227×2的特征图。
(3)训练设计的深度特征压缩卷积神经网络，通过随机梯度下降法迭代并优化网络参数，其流程如图3所示。训练过程包括前向传播和反向传播两个阶段，在前向传播阶段，将样本集(x,y)输入网络，其中x为输入图像，y为对应的标签。通过网络逐层运算得到实际输出f(x)，使用带有L2正则化项的交叉熵代价函数来衡量理想输出y与实际输出f(x)之间的误差：
式(1)中，第一项为交叉熵代价函数，第二项为L2正则化项，用以防止过拟合，θ表示卷积神经网络模型要学习的参数，M表示训练样本数量，N表示每幅图像的像素个数，Q表示样本中语义类别的数量，对于道路分割而言，Q＝2，1{y＝q}是指示函数，当y＝q时取值为1，否则取值为0，λ是正则化系数，表示第i个样本中第j个像素的灰度值，表示对应的标签，表示属于第q个类别的概率，定义为：
式(2)中，表示最后一个反卷积层的第q个特征图在处的输出，定义为：
在反向传播阶段，通过随机梯度下降算法从后往前逐层更新网络参数以达到极小化实际输出与理想输出之间误差的目的，参数更新公式如下：
式(4)中，α为学习率，J0(θ)为交叉熵代价函数，为计算的梯度。
当选定代价函数、正则化方法以及优化算法后，使用深度学习框架训练设计好的卷积神经网络。为了使得训练结果更为准确，正式训练前先进行预训练，然后再对预训练得到的参数进行微调，训练流程如图3所示，具体包括以下子步骤：
子步骤1：选择与自动驾驶相关的数据集，如ApolloScape、Cityscapes、CamVid，对其进行处理使其只包含道路类别，然后将样本尺寸调整为227×227像素并记为Dc，接着使用Dc对设计好的深度特征压缩卷积神经网络进行预训练，设置预训练超参数，其中最大迭代次数为Ic，学习率为αc，权重衰减为λc，最终将预训练得到的网络参数保存下来；
子步骤2：使用步骤(1)中所建立的数据集Dk对步骤(3)的子步骤1中预训练得到的网络参数进行微调，设置最大迭代次数设为Ik，学习率设为αk，权重衰减设为λk。然后根据训练损失曲线和验证损失曲线的变化情况即当训练损失曲线缓慢下降趋于收敛而验证损失曲线处于上升的临界点时，如图4所示，得到网络参数最优深度特征压缩卷积神经网络模型。
(4)使用深度特征压缩卷积神经网络进行道路行驶区域分割，为了充分说明本发明所提方法相较于现有方法的优势即在分割准确性和实时性两方面达到了很好的平衡，选择深度学***性，选择FCN-16s与本发明方法进行对比。ENet是一种公认的实时性非常好的模型，与该模型对比可以评估所提方法在实时性方面的表现。图5从定性的角度给出了本发明方法与上述两种方法的对比结果，表1则从定量的角度呈现了三种方法的对比结果如下：
方法 准确率 运行时间
FCN-16s 93.43 95ms
ENet 87.47 30ms
本发明 92.21 34ms
表1本发明方法与常用的基于深度学习道路行驶区域分割方法的定量对比结果
从图5和表1中可以看出，本发明设计的深度特征压缩卷积神经网络兼顾了准确性和实时性，实现了道路行驶区域高效分割。

Claims (1)

1.基于深度特征压缩卷积网络的道路行驶区域高效分割方法，其特征在于，包括以下步骤：
(1)建立道路分割数据集；
(2)构建深度特征压缩卷积神经网络，首先，设计标准卷积层及池化层对提取的道路特征进行初步压缩，然后借助扩张卷积层能够增大感受野的优势并对其进行优化设计，以弥补特征初步压缩时造成的道路空间位置信息损失，进而融合分解卷积层进行深度特征压缩，获得精简的特征提取结构，最后提出参数可学习的逐层分级上采样策略对深度压缩后的道路特征进行解耦，得到深度特征压缩卷积神经网络，包括以下子步骤：
子步骤1：设计标准卷积层，标准卷积层数量为6，卷积核数量分别为64、64、128、128、256、2，卷积核大小均为3×3，步长均为1；
子步骤2：设计池化层，池化层数量为2，均采用最大池化操作，采样尺寸均为2×2，步长均为2；
子步骤3：设计扩张卷积层，扩张卷积层数量为3，扩张率分别为4、6、8，卷积核数量分别为256、256、512，卷积核大小均为3×3，步长均为1；
子步骤4：设计分解卷积层，分解卷积层数量为2，卷积核数量分别为512、512，卷积核大小分别为3×1、1×3，步长均为1；
子步骤5：设计反卷积层，反卷积层数量为2，卷积核数量分别为2、2，卷积核大小均为3×3，步长均为2；
子步骤6：确定网络架构，根据步骤(2)的子步骤1～5中网络层参数建立不同的网络模型，然后利用步骤(1)所建立的数据集对这些模型进行验证，从中筛选出兼顾准确性和实时性的网络结构，得到最优网络架构如下：
标准卷积层1_1：用64个3×3的卷积核与A×A像素的输入样本做卷积，步长为1，再经过ReLU激活，得到维度为A×A×64的特征图；
标准卷积层1_2：用64个3×3的卷积核与标准卷积层1_1输出的特征图做卷积，步长为1，再经过ReLU激活，得到维度为A×A×64的特征图；
池化层1：用2×2的核对标准卷积层1_2输出的特征图做最大池化，步长为2，得到维度为的特征图；
标准卷积层2_1：用128个3×3的卷积核与池化层1输出的特征图做卷积，步长为1，再经过ReLU激活，得到维度为的特征图；
标准卷积层2_2：用128个3×3的卷积核与标准卷积层2_1输出的特征图做卷积，步长为1，再经过ReLU激活，得到维度为的特征图；
池化层2：用2×2的核对标准卷积层2_2输出的特征图做最大池化，步长为2，得到维度为的特征图；
扩张卷积层3_1：用256个3×3的卷积核与池化层2输出的特征图做卷积，步长为1，扩张率为4，再经过ReLU激活，得到维度为的特征图；
标准卷积层3_2：用256个3×3的卷积核与扩张卷积层3_1输出的特征图做卷积，步长为1，再经过ReLU激活，得到维度为的特征图；
扩张卷积层3_3：用256个3×3的卷积核与标准卷积层3_2输出的特征图做卷积，步长为1，扩张率为6，再经过ReLU激活，得到维度为的特征图；
分解卷积层3_4：用512个3×1的卷积核与扩张卷积层3_3输出的特征图做卷积，步长为1，再经过ReLU激活，得到维度为的特征图；
分解卷积层3_5：用512个1×3的卷积核与分解卷积层3_4输出的特征图做卷积，步长为1，再经过ReLU激活，得到维度为的特征图；
扩张卷积层3_6：用512个3×3的卷积核与分解卷积层3_5输出的特征图做卷积，步长为1，扩张率为8，再经过ReLU激活，得到维度为的特征图；
标准卷积层3_7：用2个3×3的卷积核与扩张卷积层3_6输出的特征图做卷积，步长为1，再经过ReLU激活，得到维度为的特征图；
反卷积层4：用2个3×3的卷积核与标准卷积层3_7输出的特征图做反卷积，步长为2，得到维度为的特征图；
反卷积层5：用2个3×3的卷积核与反卷积层4输出的特征图做反卷积，步长为2，得到维度为A×A×2的特征图；
(3)训练设计的深度特征压缩卷积神经网络，获得网络参数；
(4)使用深度特征压缩卷积神经网络进行道路行驶区域分割。
CN201910161405.6A 2019-03-04 2019-03-04 基于深度特征压缩卷积网络的道路行驶区域高效分割方法 Active CN110009095B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910161405.6A CN110009095B (zh) 2019-03-04 2019-03-04 基于深度特征压缩卷积网络的道路行驶区域高效分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910161405.6A CN110009095B (zh) 2019-03-04 2019-03-04 基于深度特征压缩卷积网络的道路行驶区域高效分割方法

Publications (2)

Publication Number Publication Date
CN110009095A true CN110009095A (zh) 2019-07-12
CN110009095B CN110009095B (zh) 2022-07-29

Family

ID=67166464

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910161405.6A Active CN110009095B (zh) 2019-03-04 2019-03-04 基于深度特征压缩卷积网络的道路行驶区域高效分割方法

Country Status (1)

Country Link
CN (1) CN110009095B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378305A (zh) * 2019-07-24 2019-10-25 中南民族大学 茶叶病害识别方法、设备、存储介质及装置
CN110464611A (zh) * 2019-07-23 2019-11-19 苏州国科视清医疗科技有限公司 一种数字化弱视增强训练装置和***及其相关算法
CN110543849A (zh) * 2019-08-30 2019-12-06 北京市商汤科技开发有限公司 检测器的配置方法及装置、电子设备和存储介质
CN110889859A (zh) * 2019-11-11 2020-03-17 珠海上工医信科技有限公司 一种用于眼底图像血管分割的u型网络
CN111210404A (zh) * 2019-12-24 2020-05-29 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 晶状体分割难度分类方法及装置
CN111695447A (zh) * 2020-05-26 2020-09-22 东南大学 一种基于孪生特征增强网络的道路可行驶区域检测方法
CN112668473A (zh) * 2020-12-28 2021-04-16 东南大学 基于多特征深度融合神经网络的车辆状态准确感知方法
CN112734025A (zh) * 2019-10-28 2021-04-30 复旦大学 基于固定基正则化的神经网络参数稀疏化方法
CN112749662A (zh) * 2021-01-14 2021-05-04 东南大学 一种基于激光雷达的非结构化环境可行驶区域提取方法
CN112926692A (zh) * 2021-04-09 2021-06-08 四川翼飞视科技有限公司 基于非均匀混合卷积的目标检测装置、方法和存储介质
CN113469083A (zh) * 2021-07-08 2021-10-01 西安电子科技大学 基于抗锯齿卷积神经网络的sar图像目标分类方法及***
CN114913441A (zh) * 2022-06-28 2022-08-16 湖南大学 通道剪枝方法、目标检测方法及遥感图像车辆检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108038860A (zh) * 2017-11-30 2018-05-15 杭州电子科技大学 基于3d全卷积神经网络的脊柱分割方法
CN108062756A (zh) * 2018-01-29 2018-05-22 重庆理工大学 基于深度全卷积网络和条件随机场的图像语义分割方法
CN109145797A (zh) * 2018-08-13 2019-01-04 东南大学 基于车底阴影特征定位车牌的轻型道路救援装备正方位拖牵诱导方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108038860A (zh) * 2017-11-30 2018-05-15 杭州电子科技大学 基于3d全卷积神经网络的脊柱分割方法
CN108062756A (zh) * 2018-01-29 2018-05-22 重庆理工大学 基于深度全卷积网络和条件随机场的图像语义分割方法
CN109145797A (zh) * 2018-08-13 2019-01-04 东南大学 基于车底阴影特征定位车牌的轻型道路救援装备正方位拖牵诱导方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
敖焕轩等: "高效率图片语义分割网络的研究与设计", 《测控技术》 *
钟剑丹等: "基于随机映射的特征压缩在快速目标检测中的应用", 《光电***》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110464611A (zh) * 2019-07-23 2019-11-19 苏州国科视清医疗科技有限公司 一种数字化弱视增强训练装置和***及其相关算法
CN110378305A (zh) * 2019-07-24 2019-10-25 中南民族大学 茶叶病害识别方法、设备、存储介质及装置
CN110543849A (zh) * 2019-08-30 2019-12-06 北京市商汤科技开发有限公司 检测器的配置方法及装置、电子设备和存储介质
CN110543849B (zh) * 2019-08-30 2022-10-04 北京市商汤科技开发有限公司 检测器的配置方法及装置、电子设备和存储介质
CN112734025B (zh) * 2019-10-28 2023-07-21 复旦大学 基于固定基正则化的神经网络参数稀疏化方法
CN112734025A (zh) * 2019-10-28 2021-04-30 复旦大学 基于固定基正则化的神经网络参数稀疏化方法
CN110889859A (zh) * 2019-11-11 2020-03-17 珠海上工医信科技有限公司 一种用于眼底图像血管分割的u型网络
CN111210404A (zh) * 2019-12-24 2020-05-29 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 晶状体分割难度分类方法及装置
CN111695447B (zh) * 2020-05-26 2022-08-12 东南大学 一种基于孪生特征增强网络的道路可行驶区域检测方法
CN111695447A (zh) * 2020-05-26 2020-09-22 东南大学 一种基于孪生特征增强网络的道路可行驶区域检测方法
CN112668473A (zh) * 2020-12-28 2021-04-16 东南大学 基于多特征深度融合神经网络的车辆状态准确感知方法
CN112749662B (zh) * 2021-01-14 2022-08-05 东南大学 一种基于激光雷达的非结构化环境可行驶区域提取方法
CN112749662A (zh) * 2021-01-14 2021-05-04 东南大学 一种基于激光雷达的非结构化环境可行驶区域提取方法
CN112926692A (zh) * 2021-04-09 2021-06-08 四川翼飞视科技有限公司 基于非均匀混合卷积的目标检测装置、方法和存储介质
CN112926692B (zh) * 2021-04-09 2023-05-09 四川翼飞视科技有限公司 基于非均匀混合卷积的目标检测装置、方法和存储介质
CN113469083A (zh) * 2021-07-08 2021-10-01 西安电子科技大学 基于抗锯齿卷积神经网络的sar图像目标分类方法及***
CN113469083B (zh) * 2021-07-08 2024-05-31 西安电子科技大学 基于抗锯齿卷积神经网络的sar图像目标分类方法及***
CN114913441A (zh) * 2022-06-28 2022-08-16 湖南大学 通道剪枝方法、目标检测方法及遥感图像车辆检测方法
CN114913441B (zh) * 2022-06-28 2024-04-16 湖南大学 通道剪枝方法、目标检测方法及遥感图像车辆检测方法

Also Published As

Publication number Publication date
CN110009095B (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN110009095A (zh) 基于深度特征压缩卷积网络的道路行驶区域高效分割方法
CN111444760A (zh) 一种基于剪枝与知识蒸馏的交通标志检测与识别方法
CN108288035A (zh) 基于深度学习的多通道图像特征融合的人体动作识别方法
CN111695448B (zh) 一种基于视觉传感器的路侧车辆识别方法
CN104517122A (zh) 一种基于优化卷积架构的图像目标识别方法
CN109977793A (zh) 基于变尺度多特征融合卷积网络的路侧图像行人分割方法
CN110298387A (zh) 融入像素级attention机制的深度神经网络目标检测方法
CN102902956B (zh) 一种地基可见光云图识别处理方法
CN112464911A (zh) 基于改进YOLOv3-tiny的交通标志检测与识别方法
CN107229929A (zh) 一种基于r‑cnn的车牌定位方法
CN106920243A (zh) 改进的全卷积神经网络的陶瓷材质件序列图像分割方法
CN110120041A (zh) 路面裂缝图像检测方法
CN104517103A (zh) 一种基于深度神经网络的交通标志分类方法
CN105930868A (zh) 一种基于层次化增强学习的低分辨率机场目标检测方法
CN111860351B (zh) 一种基于行列自注意力全卷积神经网络的遥感图像鱼塘提取方法
CN110009648A (zh) 基于深浅特征融合卷积神经网络的路侧图像车辆分割方法
CN104240256A (zh) 一种基于层次化稀疏建模的图像显著性检测方法
CN110210354A (zh) 一种雾霾天气交通标识检测与识别的方法
CN110032952B (zh) 一种基于深度学习的道路边界点检测方法
CN110163069A (zh) 用于辅助驾驶的车道线检测方法
CN111882620A (zh) 一种基于多尺度信息道路可行驶区域分割方法
CN109961105B (zh) 一种基于多任务深度学习的高分辨率遥感影像分类方法
CN108776777A (zh) 一种基于Faster RCNN的遥感影像对象间空间关系的识别方法
CN109583349A (zh) 一种用于在真实环境对目标车辆的颜色进行识别的方法及***
CN107944354A (zh) 一种基于深度学习的车辆检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant