卷积神经网络的交通标志语义分割

摘要：

图像语义分割是现代自动驾驶系统的一个必要部分,因为实时准确地捕获路况信息是导航和动作规划的关键.交通标志是重要的路况信息,性能稳定、实时性较高并且精度可达到应用需要的交通标志语义算法,是实现主动安全驾驶系统和自动驾驶系统的基础.首先,在分析实际应用需要的基础上,选择GTSDB数据库作为原始数据,设计了可综合评估语义分割算法性能的交通标志数据集.然后,基于性能稳定的经典语义分割网络U-Net,提出针对交通标志等小目标的分割性能更优且实时性更高的深度神经网络结构D-Unet("D"表示dilated convolution).该方法采用更少的池化层,从而保留更多的图像信息,同时采用扩张卷积代替常规卷积以扩大卷积感受野,更好地统筹全局信息.最后,在设计的数据集上进行了测试,与FCN-8s、SegNet、U-Net等图像分割网络模型相比,改进后的模型均交并比(MIoU)分别提高了约11.9个百分点、6.09个百分点和3.71个百分点,参数量仅有其他三种网络模型的4.94％、22.5％和85.5％.

关键词：道路交通标志、深度学习、语义分割、扩张卷积

所属期刊栏目：15

分类号：TP391.41(计算技术、计算机技术)

资助基金：西安市科技计划

在线出版日期：2021-06-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1114-1121