用于栅格地图中动态目标检测的全卷积神经网络（硕士论文）
计算机视觉与模式识别
2017-09-12 v1
摘要
环境感知最重要的部分之一是检测车辆周围的障碍物。为此，自动驾驶车辆上安装了雷达、LiDAR 和摄像头等多种传感器。产生的传感器数据被融合为周围环境的通用表示。本论文采用 Nuss 等人的动态占据栅格地图方法，并实现了三个目标。首先，通过使用全卷积神经网络（Fully Convolutional Neural Networks）为每个栅格单元创建类别预测，改进了 Nuss 等人区分移动与非移动障碍物的方法。为此，网络使用公开的预训练网络模型进行初始化，并采用半自动生成的数据集进行训练。第二个目标是为每个检测到的移动障碍物提供方向信息。这可以改善基于动态占据栅格地图的跟踪算法。基于卷积神经网络的方向提取相比于直接利用动态占据栅格地图速度信息的方向提取表现出更优的性能。开发诸如神经网络等机器学习方法的一个普遍问题是标注数据的数量，其总是可以增加。因此，最后一个目标是评估一种半监督学习算法，以自动生成更多标注数据。该评估结果表明，自动标注的数据并未改善卷积神经网络的性能。总之，将最佳结果相结合并与 Nuss 等人 [36] 的方法进行探测对比，达到了 34.8% 的相对改进。
引用
@article{arxiv.1709.03138,
title = {Fully Convolutional Neural Networks for Dynamic Object Detection in Grid Maps (Masters Thesis)},
author = {Florian Piewak},
journal= {arXiv preprint arXiv:1709.03138},
year = {2017}
}
备注
This is the masters thesis of Florian Piewak. A shorter version of this thesis was accepted at IV 2017