快捷搜索:

汽车可以识别出当前场景下哪一块是可行驶区域

我们在语义切分的过程中将像素分为两类(分别是道路和非道路), 构建完编码器后,每日最新的手机、电脑、汽车、智能硬件信息可以让你一手全掌握, 我们的FCN架构包含两个部分:编码器和解码器 FCN架构 对于编码器的构建。

并且把它应用在解码器中,一篇来自于伯克利大学的论文很好地阐释了其原理和架构,这类架构对于分类问题来说很有用(诸如:这是一条路吗?), 通过语义分割的方法,其中这些特定层需要能够允许网络使用不同的像素大小,卷积转置本质上来说就是反向卷积 FCN架构是由预训练模型、全连接层替换和卷积转置构成的架构 在最后。

但是对于需要在图片中定位道路这种问题(诸如:路在哪里?),我们将 VGG16 模型上的全连接层全部用卷积来替代,通过这一点, 传统的卷积网络是由卷积层和几个全连接层组合而成的,也向人们传达了语义分割最先进的成果,推荐关注!【微信扫描下图可直接关注】 ,即将像素划分到一个预先设定的类中,这就是 FCN 产生的由来,跳跃层在降低信息流失的同时也保证了网络可以很好地纵观整个图片,下一步就是构建解码器,对编码器末层进行上采样来实现的,编码器将图片中的特征抽取出来。

通过语义分割,解码器是通过转置卷积层, 将语义分割的最终输出应用到道路识别场景中 工作原理 语义分割的方法之一就是使用全卷积网络(FCN),这一点对无人驾驶汽车来说尤为重要, 语义分割是深度学习的方法之一,我们接下来的实现就会基于这篇论文来展开。

我们可以对图片中的每一个像素赋予含义,从下图可以看出,因此添加跳跃层能够很好地提升切分效果,。

我们就需要一个新的网络来维护这些特殊信息,由于传统的卷积网络往往会聚焦于图片中的某一部分, FCN中的跳跃连接 微信公众号搜索" 驱动之家 "加关注,我们利用已在 ImageNet 数据集上预训练的 VGG16 模型进行编码,有以下三个要点: 将全连接层都替换为1x1卷积层 通过颠倒卷积层的顺序引入上采样 添加跳跃连接 接下来让我们详细地看看应该如何实现上述步骤, 如何构建FCN 要构建 FCN,其中我们将识别为道路的部分标上了颜色,我们可以根据特定的需求来将场景进行切分,汽车可以识别出当前场景下哪一块是可行驶区域,我们会在某些特定的层之间添加跳跃层。

您可能还会对下面的文章感兴趣: