【技术实现步骤摘要】
基于轻量级网络的实时目标检测与语义分割的多任务学习方法
本专利技术属于计算机视觉
，更具体地，涉及一种基于轻量级网络的实时目标检测与语义分割的多任务学习方法。
技术介绍
计算机视觉在自动驾驶中越来越流行，这主要是由于基于神经网络的深度学习技术的兴起。越来越多的公共数据集和发达的硬件资源的出现促进了相关的研究成果，并进一步推动了计算机视觉技术的发展。自动驾驶汽车中使用了许多计算机视觉任务，例如目标检测和道路分割，这对于感知驾驶环境至关重要。当前的趋势是持续提高这些任务的准确性，同时将推理时间保持在尽可能短的时间内。仅仅满足模型感知的准确性，没有一个快的模型预测速度，会给无人驾驶车辆决策带来极大的危险，遇到突发事故时无法及时决策处理，所以需要让模型有快速的预测速度，保证车辆有足够的时间来做出决策。此外，自动驾驶汽车的硬件资源受到限制，充分利用这些硬件资源也是一项重要任务。而且道路场景下的物体存在尺度大小差异过大的问题，常规模型无法准确完成同时对大物体与小物体的感知问题，如此会爆发出很多潜在问题。专利...
【技术保护点】
1.一种基于轻量级网络的实时目标检测与语义分割的多任务学习方法，其特征在于，包括特征提取模块、语义分割模块、目标检测模块以及多尺度感受野模块；所述的特征提取模块选择轻量级卷积神经网络MobileNet，通过MobileNet网络提取特征，送入上层的语义分割模块去完成道路可行驶区域与可选择行驶区域的分割问题，同时将特征送入下层的目标检测模块去完成道路场景下出现的物体检测；通过多尺度感受野模块增加特征图的感受域，用不同尺度的卷积解决多尺度难题，最终损失函数通过语义分割模块的损失函数与目标检测模块的损失函数进行加权求和，对总模块进行优化。/n
【技术特征摘要】
1.一种基于轻量级网络的实时目标检测与语义分割的多任务学习方法，其特征在于，包括特征提取模块、语义分割模块、目标检测模块以及多尺度感受野模块；所述的特征提取模块选择轻量级卷积神经网络MobileNet，通过MobileNet网络提取特征，送入上层的语义分割模块去完成道路可行驶区域与可选择行驶区域的分割问题，同时将特征送入下层的目标检测模块去完成道路场景下出现的物体检测；通过多尺度感受野模块增加特征图的感受域，用不同尺度的卷积解决多尺度难题，最终损失函数通过语义分割模块的损失函数与目标检测模块的损失函数进行加权求和，对总模块进行优化。
2.根据权利要求1所述的基于轻量级网络的实时目标检测与语义分割的多任务学习方法，其特征在于，所述的特征提取模块通过轻量级卷积神经网络MobileNet对RGB图像进行特征提取；MobileNet采用深度可分离卷积代替常规卷积来减小模型参数量。
3.根据权利要求1所述的基于轻量级网络的实时目标检测与语义分割的多任务学习方法，其特征在于，以SSD检测算法作为检测基线模型，在目标检测模块中加入多尺度感受野模块；所述的多尺度感受野模块由不同比例的空洞卷积组成，这些不同尺度的空洞卷积在不改变尺度大小的情况下去增加多尺度的感受野来解决多尺度问题。
4.根据权利要求3所述的基于轻量级网络的实时目标检测与语义分割的多任务学习方法，其特征在于，骨干网络MobileNet提取的特征送入上层的语义分割模块完成道路可行驶区域和可选择行驶区域的分割，对前两层特征图采取合并操作，同样在语义分割模块中加入多尺度感受野模块，对第二层特征图采取不同比率的空洞卷积。
5.根据权利要求3所述的基于轻量级网络的实时目标检测与语义分割的多任务学习方法，其特征在于，所述的目标检测模块中加入的多尺度感受野模块，分别用比率为5和...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。