基于自注意和对抗学习的道路场景水体检测方法

摘要

无人驾驶车辆近年来一直是研究的热点.无人车运行环境复杂、不确定因素多,尤其当其意外驶入水坑、泥潭等地形时可能直接导致抛锚,造成不可估量的损失,因此水体检测对无人车的运行有着重要意义.借助深度网络的强大学习能力,本文首先将反射注意力单元和自注意力机制相结合,并在(U shape Network,U-Net)模型基础上添加残差卷积块和上采样卷积模块,得到了新的道路场景水体区域检测模型(U shape Network with Attention for Road,URA-Net),该模型能够更好地捕捉特征依赖关系,提高水体语义特征的表示能力.进一步,本文提出了一种基于双生成器对抗学习的训练模型(Redundant With Dual Generative Adversarial Network,RWD-GAN),它对URA-Net稍做修改,拓展成两个生成器,通过在对抗网络框架下让生成器与鉴别器、生成器与生成器之间实现对抗学习,促进不同网络模型之间的信息传递.在公开数据集上的大量实验表明URA-Net达到了87.18%的F1指标,而RWD-GAN模型能够进一步提高水体检测的精度,使提升到了88.54%,URA-Net和RWD-GAN均超出现有深度网络水体检测方法的性能表现.