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
3 华东理工大学信息科学与工程学院, 上海 200237
单目红外图像的深度估计是夜间无人车场景理解的关键, 针对夜间无人车场景的深度估计, 提出一种基于深度卷积-反卷积神经网络的深度估计方法。将红外图像和雷达距离数据作为深度卷积-反卷积神经网络的输入, 并将深度估计问题转化为像素级分类任务进行深度估计模型的训练。将雷达的距离数据根据深度值的范围量化为与红外图像像素一一对应的离散值并对其做标记, 然后训练过程采用分类的思想解决深度估计问题。实验结果表明, 利用训练得到的深度估计模型对夜间无人车获取的红外图像进行深度估计的时间为0.04 s/frame, 达到了实际应用中的实时性要求。
图像处理 红外图像 深度估计 卷积神经网络 反卷积 激光与光电子学进展
2017, 54(12): 121003
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
3 华东理工大学 信息科学与工程学院, 上海 200237
为了增强无人车对夜视图像的场景理解, 在夜间模式下更快更精确地探测和识别周围环境, 将深度学习应用于夜视图像的场景语义分割, 提出了一种基于卷积-反卷积神经网络的无人车夜视图像语义分割方法。在传统的卷积神经网络中加入反卷积网络, 构建卷积-反卷积神经网络, 无需手工选取特征。通过像素到像素的学习和训练, 得到图像语义分割模型, 可直接用该模型预测夜视图像中每个像素所属的场景语义类别, 实现无人车夜间行驶时的环境感知。实验结果表明, 该方法具有较好的准确性和实时性, 平均IU达到68.47。
夜视图像 语义分割 深度学习 反卷积 无人车 night vision image semantic segmentation deep learning deconvolution unmanned vehicle
