• 学术研究 • 下一篇
姜彦吉,冯宇宙,董浩,田佳琳
JIANG Yanji, FENG Yuzhou, DONG Hao, TIAN Jialin
摘要: 解决类间相似度问题是自动驾驶场景分类研究中一项充满挑战的任务,主要研究在相似度较高的真实复杂交通场景中,利用网络学习目标特征的差异性,并构建特征之间整体关联性进行场景分类。为此,提出一种多尺度自适应特征筛选的自动驾驶场景分类网络。首先,采用双重多尺度特征提取模块预处理,初步提取不同尺度下的类间相似特征;其次,设计了特征分化筛选模块完成场景相似特征筛选,使网络更关注不同场景类别的典型易区分特征;然后,和多尺度特征图共同传递至特征融合分类模块进行场景分类,捕捉场景特征之间的关联性;最后,由自适应学习算法通过输出结果动态调整训练参数,加快网络收敛速度并提升精度。所提方法在三种数据集BDD100k、BDD100k+和自制数据集上与现有网络方法进行比较,相较Top2网络在精度上分别领先了3.29%、5.59%、12.65%(相对),实验结果表明了所提方法的有效性,并展现了很好的泛化能力。本文提出的场景分类方法旨在学习不同复杂场景类别下的典型易区分的特征及其关联性,降低多目标类间相似的影响,使得在真实交通场景数据集中场景分类结果更加准确。