车辆自动行驶的安全性和稳定性离不开车道线准确识别。然而,日常驾驶中面临着复杂多变的天气和光照条件、道路标记模糊或遮挡等挑战。研究并设计基于深度神经网络的车道线识别算法,以提高识别技术在面对复杂环境的鲁棒性与检测结果精度...车辆自动行驶的安全性和稳定性离不开车道线准确识别。然而,日常驾驶中面临着复杂多变的天气和光照条件、道路标记模糊或遮挡等挑战。研究并设计基于深度神经网络的车道线识别算法,以提高识别技术在面对复杂环境的鲁棒性与检测结果精度。通过构建以VGG-16为主链并嵌入通道注意力和空间注意力机制的全卷积神经网络模型,实现端到端像素级别的车道线语义分割。嵌入注意力模块的新模型在CULane通用数据集上验证结果同VGG-解码语义分割方法相比,其平均像素准确率与均交并比(Mean Intersection over Union, MIoU)分别提升2.2%与1.3%。且在车道线不存在场景下,预测结果的像素准确率达到70%。嵌入注意力机制的图像分割算法研究为车道线识别问题提供了有效解决方案,有力支撑车道线检测技术在无人驾驶场景的应用。展开更多
植被、阴影和云层等同谱异物物体的干扰导致遥感影像水体提取完整性较低、提取效果差。文中提出一种融合多层次空洞卷积和池化模型的遥感影像水体提取模型MAP_UNet(A UNet of Combining Multi Atrous Convolution and Pooling Model)。...植被、阴影和云层等同谱异物物体的干扰导致遥感影像水体提取完整性较低、提取效果差。文中提出一种融合多层次空洞卷积和池化模型的遥感影像水体提取模型MAP_UNet(A UNet of Combining Multi Atrous Convolution and Pooling Model)。该模型以UNet为基准编解码网络,提取水体的不同尺寸特征,引入双递归残差模块防止出现深层网络梯度消失现象,并使用多模块来融合空间空洞卷积和最大池化以捕捉更大范围的特征信息,进一步加强相邻尺度的特征语义关系。为验证所提方法的有效性与先进性,利用高分辨率可见光遥感影像数据进行实验,并与公开深度学习语义分割算法进行对比。实验结果表明,MAP_UNet模型在提取精度和防止同谱异物体误检方面都取得了较好效果,其精确率、召回率、F1-Score和MIoU(Mean Intersection over Union)分别达96.20%、92.64%、87.27%和89.10%,相比UNet(U-shaped Network)、UNet++和UNet_ASPP(UNet with Atrous Spatial Pyramid Pooling Network)网络均有较大提升。展开更多
文摘车辆自动行驶的安全性和稳定性离不开车道线准确识别。然而,日常驾驶中面临着复杂多变的天气和光照条件、道路标记模糊或遮挡等挑战。研究并设计基于深度神经网络的车道线识别算法,以提高识别技术在面对复杂环境的鲁棒性与检测结果精度。通过构建以VGG-16为主链并嵌入通道注意力和空间注意力机制的全卷积神经网络模型,实现端到端像素级别的车道线语义分割。嵌入注意力模块的新模型在CULane通用数据集上验证结果同VGG-解码语义分割方法相比,其平均像素准确率与均交并比(Mean Intersection over Union, MIoU)分别提升2.2%与1.3%。且在车道线不存在场景下,预测结果的像素准确率达到70%。嵌入注意力机制的图像分割算法研究为车道线识别问题提供了有效解决方案,有力支撑车道线检测技术在无人驾驶场景的应用。
文摘植被、阴影和云层等同谱异物物体的干扰导致遥感影像水体提取完整性较低、提取效果差。文中提出一种融合多层次空洞卷积和池化模型的遥感影像水体提取模型MAP_UNet(A UNet of Combining Multi Atrous Convolution and Pooling Model)。该模型以UNet为基准编解码网络,提取水体的不同尺寸特征,引入双递归残差模块防止出现深层网络梯度消失现象,并使用多模块来融合空间空洞卷积和最大池化以捕捉更大范围的特征信息,进一步加强相邻尺度的特征语义关系。为验证所提方法的有效性与先进性,利用高分辨率可见光遥感影像数据进行实验,并与公开深度学习语义分割算法进行对比。实验结果表明,MAP_UNet模型在提取精度和防止同谱异物体误检方面都取得了较好效果,其精确率、召回率、F1-Score和MIoU(Mean Intersection over Union)分别达96.20%、92.64%、87.27%和89.10%,相比UNet(U-shaped Network)、UNet++和UNet_ASPP(UNet with Atrous Spatial Pyramid Pooling Network)网络均有较大提升。
