文献类型：期刊文章

作　　者：宋锐[1] 施智平[1] 渠瀛[3] 邵振洲[2] 关永[2]

Song Rui;Shi Zhiping;Qu Ying;Shao Zhenzhou;Guan Yong(Beijing Advanced Innovation Center for Imaging Technology,College of Information Engineering,Capital Normal University,Beijing 100048,China;Beijing Key Laboratory of Light Industrial Robot & Safety Verification,College of Information Engineering,Capital Normal University,Beijing 100048,China;Dept.of Electrical Engineering & Computer Science,University of Tennessee- Knoxville,Tennessee 37996,USA)

机构地区：[1]首都师范大学信息工程学院成像技术北京市高精尖创新中心,北京100048 [2]首都师范大学信息工程学院轻型工业机器人与安全验证北京市重点实验室,北京100048 [3]田纳西大学诺克斯维尔分校工程学院,田纳西美国37996

出　　处：《计算机应用研究》

基　　金：国家自然科学基金资助项目(61702348,61772351,61572331,61472468,61602325);国家科技支撑计划资助项目(2015BAF13B01);国际科技合作计划项目(2011DFG13000);北京市科委项目(Z141100002014001);北京市属高等学校创新团队建设与教师职业发展计划项目(IDHT20150507)

年　　份：2019

卷　　号：36

期　　号：9

起止页码：2825-2829

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA-PROQEUST、CSCD、CSCD_E2019_2020、IC、INSPEC、JST、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：随着道路场景理解技术的快速发展,自主驾驶领域取得了长足的进步。在相关任务中,包括道路分割、分类和车辆检测的实时性和准确性是安全性的一个关键问题。为此,提出了一个具有编/解码器网络结构的基于深度残差学习的方法。一方面,编码器网络结构使用不同层次的残差网络来提取高维中的抽象特征,这些特征在接下来的三个任务中共享使用;另一方面,解码器网络结构采用一种子任务的并行计算机制,即道路分割、车辆检测和道路分类任务同时执行。此外,全卷积神经网络用于对提取的图像特征进行上采样以解决道路分割问题。最终,实验结果表明在保证高精度的前提下处理帧率可达到15 fps以上。

关 键 词：道路场景理解  深度残差学习  编/解码器结构  全卷积网络  

分 类 号：TP18]