基于深度学习的驾驶场景数据应用
2017-11-07温泉衣丽君李敏
电子技术与软件工程 2017年17期
文/温泉 衣丽君 李敏
基于深度学习的驾驶场景数据应用
文/温泉 衣丽君 李敏
真实驾驶场景是智能网联汽车开发、测试及相关技术发展的基础条件及关键支撑,可为相关研究的开展提供重要理论依据,而目前,我国有关真实道路场景数据的相关研究比较匮乏。本文首先研究搭建Tensorflow框架用以处理视觉感知任务的深度学习平台,然后基于真实驾驶场景数据,研究智能车辆视觉感知驾驶环境所依赖的核心算法与网络模型,采用卷积神经网络MultiNet实现真实交通环境中行驶车道的分割和目标物的检测。
驾驶场景 智能网联汽车 深度学习道路分割 目标物检测
就汽车行业而言,无人驾驶迅速发展,已经成为汽车行业未来的发展方向。深度学习算法凭借其强大学习能力和处理复杂环境的能力,正逐渐被用于无人驾驶中的环境感知和行驶决策过程,并成为汽车大脑的主流选择。本文首先基于专业的深度学习库Tensorflow搭建处理深度感知任务的深度学习平台,研究真实驾驶场景道路分割、目标车辆识别等卷积神经网络模型,实现真实驾驶场景的智能感知。
1 Tensorflow深度学习平台
深度学习目前在业界已经得到了广泛的应用。至今也已有数种深度学习框架,如 TensorFlow、Caffe、Theano、Torch、MXNet等框架都能够支持深度神经网络模型。TensorFlow最初由Google Brain团队的研究员和工程师研发,目前已成为GitHub上最受欢迎的机器学习项目。TensorFlow主要特性有以下几点:
1.1 使用灵活
采用图计算模型,支持High-Level的API,支持Python、C++、Go、Java接口。……
登录APP查看全文
