声明
第1 章绪 论
1.1 论文研究背景及意义
1.2 国内外研究现状
1.3 研究内容与技术方案
1.4 本文组织结构
1.5 本章小结
第2章基于卷积神经网络的低参数道路场景理解
2.1 引言
2.2.1 轻量级网络
2.2.2 模块结构单元
2.3 网络整体架构
2.3.1 编码器
2.3.2译码器
2.3.4 整体结构
2.4.1 样本不均衡
2.4.2 交叉熵
2.4.3 调节交叉熵
2.5 实验结果分析
2.5.1 数据集准备与测试指标
2.5.2 对比实验结果与分析
2.5.3 输出效果图对比
2.6 本章小结
第3章基于注意力机制的车道线位置信息理解算法
3.1 引言
3.2 基于深度学习的车道线检测方案分析
3.3 注意力机制
3.3.1 车道线尺度变化
3.3.2 层次损失优化
3.4 特征尺度缩放
3.4.1 多尺度空间卷积
3.4.2 车道线检测整体结构
3.5 实验结果分析
3.5.1数据集与评估指标
3.5.2 损失函数曲线对比
3.5.3 车道线检测效果对比
3.6 本章小结
第4章交通道路目标与车道线位置信息多任务理解算法
4.1 引言
4.2 多类型目标检测算法
4.2.1 目标检测流程
4.2.2 矩形框网络设计
4.2.3 矩形框损失误差分析
4.3 多任务检测模型
4.3.1 多任务监督信号
4.3.2 多任务模型网络结构
4.3.3 异步交替式调优
4.4.1数据集准备
4.4.2模型训练对比
4.4.3模型输出效果图
4.5 本章小结
结论与展望
结论
展望
致谢
参考文献
攻读硕士学位期间发表的论文及科研成果
西南交通大学;