徐洋，张旭

（201620 上海市 上海工程技术大学 机械与汽车工程学院）

0 引言

近年来，自动驾驶技术已成为车辆工程领域的研究热点，并在保障行车安全、减少交通事故、提高道路通行能力等方面有着巨大的潜力[1]。自动驾驶系统一般由环境感知、路径规划和决策控制三部分组成。道路场景识别在自动驾驶技术中扮演着关键角色，具备优异的道路场景识别能力，可有效提高自动驾驶系统的安全性。基于深度学习算法的图像分类技术可以用于道路环境识别，因此本文对道路场景天气、道路场景地点和行车时间段进行了分类识别。尽管深度学习已经在图像分类[2]、故障诊断[3]等方面取得了巨大成功，但是数据不平衡仍会给深度学习方法带来不利影响，因此需要针对不平衡的道路场景数据设计更加稳健的识别方法，进一步提高车辆对道路场景的识别能力。

1 深度学习与图像识别

深度学习可以较好地完成图像识别任务[4]，并在目标检测[5]和图像分类[6]等任务上都取得了很好的效果。事实上，图像分类技术也可以用于道路场景识别。

1998 年，文献[7]首次将卷积神经网络运用于手写体数字识别，标志着深度学习在图像识别任务上的开端。2012 年，文献[8]提出的Alex Net 具备了现时卷积神经网络架构的基本特征，并在当年度ImageNet LSVRC-2010 竞赛中取得了37.5%和17%的top-1和top-5错误率并夺得冠军。在这之后，许多优秀的卷积神经网络相继被提出，例如Xception[9]在图像分类中表现出色，但是性能仍然会受到大规模不平衡数据的影响。……