基于编码器—解码器的高级驾驶员辅助系统（ADAS）用卷积神经网络算法

基于编码器—解码器的高级驾驶员辅助系统（ADAS）用卷积神经网络算法

本文提出了一种实用的卷积神经网络（CNN）模型，主要用于驾驶员辅助系统（CSSA）的语义分割模块。它是一种基于概率像素分割的新颖语义分割模型，其能够准确地预测出给定输入图像的像素级分类标签。目前，场景理解已经成为自动驾驶汽车的新兴研究领域之一，而像素化语义分割是视觉场景理解的关键工具。本文所提出的CNN网络模型是一种基于编码器—解码器模型，其编码器是视觉几何组的VGG-16网络采用的卷积编码器层，而解码器则依靠分段网络（SegNet）。因此，所提出的架构减轻了现有的编码器—解码器设计的局限性。其中编码器执行卷积，而解码器负责去卷积和解卷积。该架构的关键思想是应用采样解码器网络，并映射出低分辨率编码器特征图。该架构大大减少了可训练参数的数量，并将编码器的汇总索引重新采样，其采样以映射像素分类和分段。本文还尝试了不同的激活函数、池化方法来设计出更高效的CNN架构。此外，本文还将其与PASCAL VOC-12和CamVid的基准测试结果相比，结果表明，该架构的性能有显着提高。

本文提出的CNN系统是一个语义像素分割引擎。它实现了编码器—解码器网络的独特组合，从而显示出增强后的性能和改进后的结果。本文研究还将其架构层次转移到更大的综合体系结构，从而能够提供出更多的时间来训练和测试网络的效率。此外，超声波和其他类型的雷达在智能汽车中的应用越来越广泛。因此，在汽车中使用基于CNN的道路景观检测系统，特别是在奇怪的路况和超声波信号无法识别物体的盲点方面将会有所帮助。未来研究工作还将通过开发和设计出一个二值化神经网络来提高道路场景理解性能，从而提高网络的性能。这将是一个更快速、更有效的架构，以便于道路现场理解情景的实时决策。

刊名：Applied Sciences-Basel（英）

刊期：2017年第4期

作者：Yasrab R et al

编译：陈少帅