視覺環(huán)境感知技術(shù)：場景語義解析方法與應(yīng)用

第 1章緒論    1 
1.1背景與意義 
   1 
1.
2國內(nèi)外研究現(xiàn)狀   5 
1.
2.1視覺場景信息處理與傳遞  5 
1.
2.2高效多尺度特征提取框架  7 
1.
2.3高維知識表征方法   8 
1.
2.4高分辨率語義生成技術(shù)  10 
1.
2.5網(wǎng)絡(luò)訓練動態(tài)改善技術(shù)  11 
1.
2.6場景語義解析算法網(wǎng)絡(luò)構(gòu)建及其應(yīng)用  13 
1.
2.7場景語義解析數(shù)據(jù)集及評價標準  . 14 
 
1.
3科學問題與研究內(nèi)容   18 
1.
3.1擬解決的科學問題  . 18 
1.
3.2本書的研究內(nèi)容   20 
 
1.4本書內(nèi)容安排 
   22
 
第 2章網(wǎng)絡(luò)信息流傳遞機制   . 24 
2.1概述 
   . 24 
2.
1.1擬解決的主要問題  . 25 
2.
1.2研究內(nèi)容及貢獻   26 
 
2.
2結(jié)構(gòu)信息留存策略   . 26 
2.
2.1網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計   . 27 
2.2.2性能分析 
   28 
2.
2.3與現(xiàn)有方法對比   28 
 
2.
3具有相互引導性的上-下采樣對  29 
2.
3.1網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計   . 30 
2.3.2性能分析 
   31 
2.
3.3與現(xiàn)有方法對比   33 
 
2.
4層次化高分辨率信息恢復與生成  . 34 
2.
4.1網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計   . 35 
2.4.2性能分析 
   35 
2.
4.3與現(xiàn)有方法對比   37 
 
2.
5實驗結(jié)果與分析   . 38 
2.
5.1實驗模型構(gòu)建   . 38 
2.5.2消融研究 
   39 
2.
5.3與當前先進方法的性能對比  . 44 
2.
5.4算法優(yōu)勢與局限性分析  47 
 
2.6本章小結(jié) 
   . 49
 
第 3章空間多尺度特征學習   . 50 
3.1概述 
   . 50 
3.
1.1擬解決的主要問題  . 51 
3.
1.2研究內(nèi)容及貢獻   52 
 
3.2空間鄰域解耦
-耦合算子   52 
3.2.1算子定義 
   52 
3.
2.2與現(xiàn)有方法對比   54 
 
3.
3初始特征的局部感知與全局建模  . 55 
3.
3.1網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計   . 56 
3.3.2性能分析 
   57 
3.
3.3與現(xiàn)有方法對比   58 
 
3.
4高級特征的空間并行多尺度學習  . 59 
3.
4.1網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計   . 59 
3.4.2性能分析 
   60 
3.
4.3與現(xiàn)有方法對比   62 
 
3.
5實驗結(jié)果與分析   . 63 
3.5.1實驗模型 
   63 
3.5.2消融研究 
   63 
3.
5.3與當前先進方法的性能對比  . 69 
3.
5.4算法優(yōu)勢與局限性分析  73 
 
3.6本章小結(jié) 
   . 74
 
第 4章頻域下高效知識表征   . 75 
4.1概述 
   . 75 
4.
1.1擬解決的主要問題  . 76 
4.
1.2研究內(nèi)容及貢獻   77 
 
4.
2全感受野卷積算子   . 77 
4.
2.1網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計   . 78 
4.2.2設(shè)計原理 
   79 
4.2.3性能分析 
   79 
 
4.
3頻域下全局空間結(jié)構(gòu)建模  . 80 
4.
3.1網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計   . 80 
4.3.2設(shè)計原理 
   81 
 
4.
4因子化注意力機制下的融合表征  . 82 
4.
4.1網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計   . 82 
4.4.2設(shè)計原理 
   83 
 
4.
5實驗結(jié)果與分析   . 84 
4.
5.1實驗模型構(gòu)建   . 84 
4.5.2消融研究 
   85 
4.
5.3與當前先進方法的性能對比  . 87 
 
4.6本章小結(jié) 
   . 88 
 
第 5章幅-相感知與高分辨率語義生成  . 89 
5.1概述 
   . 89 
5.
1.1擬解決的主要問題  . 90 
5.
1.2研究內(nèi)容及貢獻   91 
 
5.
2圖像頻域表征分析   . 91 
5.
2.1圖像頻域表征形式  . 91 
5.
2.2圖像譜特性分析   93 
5.2.3語義
-定位解耦表征變換  . 94 
 
5.
3基于幅度感知的語義多樣性表征  . 95 
5.3.1設(shè)計原理 
   95 
5.
3.2網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計   . 96 
 
5.
4基于相位修正的定位原型優(yōu)化  . 97 
5.4.1設(shè)計原理 
   97 
5.
4.2網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計   . 98 
 
5.
5相位敏感性約束   . 99 
5.5.1設(shè)計原理 
   99 
5.5.2設(shè)計細節(jié) 
   100 
 
5.
6實驗結(jié)果與分析   . 102 
5.
6.1實驗模型構(gòu)建   . 102 
5.6.2消融研究 
   104 
5.
6.3與當前先進方法的性能對比  . 110 
 
5.7本章小結(jié) 
   . 113
 
第 6章模型訓練動態(tài)優(yōu)化   . 114 
6.1概述 
   . 114 
6.
1.1擬解決的主要問題  . 115 
6.
1.2研究內(nèi)容及貢獻   116 
 
6.
2隱式正則效應(yīng)度量方法  . 116 
6.
2.1網(wǎng)絡(luò)訓練動態(tài)度量  . 116 
6.
2.2推理權(quán)重奇異值分布度量  . 117 
 
6.
3稠密重參數(shù)化驅(qū)動的隱式正則機制  118 
6.
3.1構(gòu)建深度矩陣分解式結(jié)構(gòu)  . 118 
6.3.2引入 
BN保證可訓練性  . 120 
6.
3.3引入稠密連接以緩解奇異性  . 122 
 
6.4訓練
-推理解耦結(jié)構(gòu)及等價變換  126 
6.
4.1稠密重參數(shù)化模塊相關(guān)參數(shù)選擇  . 128 
6.
4.2稠密重參數(shù)化模塊的建模對比  129 
 
6.
5實驗結(jié)果與分析   . 129 
6.5.1實驗設(shè)置 
   130 
6.5.2消融實驗 
   130 
6.
5.3先進性驗證實驗   136 
6.
5.4在場景語義解析任務(wù)上的驗證實驗  . 139 
 
6.6本章小結(jié) 
   . 139
 
第 7章典型應(yīng)用案例   . 141 
7.
1部署策略與方案   . 141 
7.
1.1特定硬件下的深度網(wǎng)絡(luò)模型設(shè)計  . 142 
7.
1.2特定硬件平臺下的部署策略  . 149 
 
7.
2結(jié)構(gòu)化靜態(tài)航空消聲蜂窩精準定位  150 
7.2.1任務(wù)描述 
   151 
7.2.2算法實施 
   152 
7.
2.3進展與成果   . 154 
 
7.
3半結(jié)構(gòu)化對抗場景下 RoboCup仿人機器人視覺感知 . 155 
7.3.1任務(wù)描述 
   156 
7.3.2算法實施 
   157 
7.
3.3進展與成果   . 159 
 
7.
4復雜交互場景下的安全監(jiān)管與人員行為識別  . 160 
7.4.1任務(wù)描述 
   160 
7.4.2算法實施 
   162 
 
 
7.4.3進展與成果   . 164 
7.5高動態(tài)開放場景下自動駕駛車輛車道線檢測  . 166 
7.5.1任務(wù)描述   166 
7.5.2算法實施   168 
7.5.3進展與成果   . 169 
7.6本章小結(jié)   . 170
第 8章總結(jié)與展望   . 172 
8.1總結(jié)   . 172 
8.2展望   . 174
參考文獻    . 177
附錄 A主要符號對照表   191