1 东华大学 信息科学与技术学院，上海 201620
2 东华大学 数字化纺织服装技术教育部工程研究中心，上海 201620
为了增强无人车对夜间场景的理解能力，针对无人车在夜间获取的红外图像，提出了一种基于改进DeepLabv3+网络的无人车夜间红外图像语义分割算法。由于自动驾驶场景中的对象往往显示出非常大的尺度变化，该算法在DeepLabv3+网络的基础上，通过引入密集连接的空洞卷积空间金字塔模块，使网络生成的多尺度特征能覆盖更大的尺度范围。此外，该算法将编码器模块的多层结果拼接在译码器模块中，以恢复更多在降采样过程中丢失的空间信息和低级特征。通过端到端的学习和训练，可直接用于对夜间红外图像的语义分割。实验结果表明，该算法在红外数据集上的分割精度优于原DeepLabv3+算法，平均交并比达到80.42，具有良好的实时性和准确性。
深度学习 语义分割 无人车 红外图像 deep learning semantic segmentation unmanned vehicle infrared image
1 东华大学信息科学与技术学院，上海 201620
2 东华大学数字化纺织服装技术教育部工程研究中心，上海 201620
为了提高夜间无人车驾驶的决策速度，减少夜间交通事故发生的概率，对无人驾驶场景预测任务进行了研究。提出了基于卷积长短时记忆的双通道编码夜间无人车场景预测网络，利用两个子网络：时间子网络提取红外视频序列的时序特征，空间子网络提取红外图像的空间特征，通过融合网络融合特征，输入到解码网络中，以实现对红外视频的未来帧预测。该网络具有端到端的优点，能够实现输入视频序列，直接输出预测帧的图像，并可以预测多帧图像。实验结果表明，该网络对夜间场景预测较准确，可以预测未来 1.2 s后的图像，预测速度快，为 0.02 s/帧，达到了实时性要求。
红外图像 场景预测 卷积长短时记忆 编码网络 infrared image, scene prediction, convolutional lo
1 东华大学信息科学与技术学院, 上海 201620
2 东华大学数字化纺织服装技术教育部工程研究中心, 上海 201620
提出对图像和激光雷达点云数据进行3D目标检测的改进F-PointNet(Frustum PointNet)。首先利用图像的2D目标检测模型提取目标2D区域,并将其映射到点云数据中,得到该目标的点云候选区域,然后预测候选区域的3D目标掩模,最后利用掩模对3D目标进行检测。当预测掩模时,提出的宽阈值掩模处理可以用来减少原始网络的信息损失;增加注意力机制可以获取需要被关注的点和通道层;使用Focal Loss可以解决目标与背景不平衡的问题。通过多次对比实验,证明宽阈值掩模处理可以提高3D目标检测的准确率,同时注意力机制和Focal Loss可以提高预测的准确率。
机器视觉 激光雷达 点云数据 3D目标检测 宽阈值掩模处理 激光与光电子学进展
2020, 57(20): 201508
