CN113095241A - 一种基于carla模拟器的目标检测方法 - Google Patents
一种基于carla模拟器的目标检测方法 Download PDFInfo
- Publication number
- CN113095241A CN113095241A CN202110413040.9A CN202110413040A CN113095241A CN 113095241 A CN113095241 A CN 113095241A CN 202110413040 A CN202110413040 A CN 202110413040A CN 113095241 A CN113095241 A CN 113095241A
- Authority
- CN
- China
- Prior art keywords
- target detection
- carla
- model
- simulator
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 108
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 238000012795 verification Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 238000013515 script Methods 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
一种基于CARLA仿真的目标检测方法,主要解决现有自动驾驶中目标检测研究成本高、精度差、速度慢,无法应对复杂路况的问题,其实现方案是:通过调用CARLA模拟器提供的传感器采取图像信息,生成用于训练目标检测模型的大量训练样本,然后将这些图像作为目标检测算法的训练集、验证集以及测试集;通过训练基于卷积神经网络的目标检测算法得到模型,进行验证改善模型参数,重复过程得到最终模型,并测试得到最终模型的相关指标信息,最后将目标检测模型应用在CARLA模拟器中,以实现自动驾驶中精度高、速度快,高效稳定的目标检测。
Description
技术领域
本发明涉及自动驾驶仿真平台设计技术领域,特别涉及一种基于CARLA仿真的目标检测方法。
背景技术
近年来,汽车电子化和高级辅助驾驶系统得到了长足的发展,而自动驾驶作为辅助驾驶技术的高级阶段,必定会成为未来人们出行的重要方式。环境感知、精确定位、路径规划和线控执行是自动驾驶技术的四个关键部分,其中环境感知技术为其它关键技术提供数据支撑。环境感知技术主要负责完成车辆周围环境信息采集和目标检测工作,为自动驾驶汽车的安全行驶提供可靠的决策依据,同时也是实现自动驾驶的基础。因此,环境感知技术对于自动驾驶具有重要的意义。目标检测是通过给定的图像,返回图片或视频中指定目标比如行人、车辆、交通指示灯等的具体位置和大小,是许多视觉任务的前提和基础。由此可见,目标检测是环境感知的核心技术,具有重要的研究价值。
目前对于自动驾驶中的目标检测研究主要基于实际的自动驾驶汽车,但这种研究方法存在着一些不可避免的缺陷。首先,研究自动驾驶中的目标检测要根据汽车驾驶场景训练模型,然后将模型应用于自动驾驶汽车的传感器,在封闭实验环境中测试其检测目标的性能,最终在公共道路上进行测试。但基于实际自动驾驶汽车的目标检测研究需要消耗大量的人力、物力和时间,且都具有相当高的难度。其次,为了实现目标检测的最佳精度要求,目标检测还要在不同驾驶场景、不同天气状况下进行研究,尤其要在极端恶劣天气、复杂路况下测试其性能,然而在现实中模拟这样的环境非常困难。这就要求找到一种方便快捷、成本低、可行性高的方法用于研究自动驾驶中的目标检测技术。
发明内容
为了克服上述现有技术存在的不足,本发明的目的在于提供一种基于CARLA仿真的目标检测方法,用于提高自动驾驶中目标检测的的精度和速度,从而更好的应对复杂路况。
为实现上述目的,本发明提供如下技术方案:
一种基于CARLA仿真的目标检测方法,包括通过CARLA模拟器生成虚拟样本数据训练的目标检测模型,其训练方法为:
步骤S10,启动CARLA模拟器,通过CARLA模拟器生成虚拟样本数据;所述虚拟样本数据包括CARLA模拟器中的RGB相机得到的图像;调用CARLA模拟器提供的相机在不同路况、不同天气状况下采取丰富的具有差异性的图像信息;
步骤S20,通过基于卷积神经网络的目标检测算法,将从CARLA虚拟环境中获取的图像信息,构建为具有训练集、验证集和测试集的数据集,训练基于卷积神经网络的目标检测模型;通过对基于卷积神经网络的目标检测模型进行迭代训练直至模型的损失函数值低于设定阈值或达到设定训练次数,获得训练好的模型并保持模型参数,使用验证集对得到的模型进行验证和纠正,得到最终的目标检测模型,最后利用测试集对模型进行测试得到指标信息;
步骤S30,将训练好的目标检测模型以代码的形式应用于CARLA模拟器中,并对CARLA模拟器RGB相机传回的图像信息实时处理,实现汽车驾驶场景下的目标检测。
进一步地,所述步骤S10包括:
步骤S11,调用Python API,按照需求预先设置好天气状况和路况信息,调用CARLA模拟器中的RGB相机并对RGB相机进行相应的配置,将获取的图像信息按照指定的格式保存在本地;
步骤S12,运行CARLA模拟器,将编写好的Python脚本作为客户端运行;
步骤S13,将获得的图片利用图片标注工具进行人工标注。
3、根据权利要求1所述的一种基于CARLA仿真的目标检测方法,其特征在于,步骤S20包括:
步骤S21,训练阶段:
1)将训练集作为输入,通过卷积神经网络的多个卷积层和池化层进行特征提取;
2)通过卷积神经网络的全连接层对高层特征进行针对性的映射;
3)利用卷积神经网络的输出层面向具体任务将神经网络作为分类器使用产生图形类别的预测,实现特征分类,产生一维向量,得到特征图像的类别,即目标检测训练结果,将该结果保存为权重数据;
4)重复2-4过程直到误差小于等于期望值;
步骤S22,验证阶段:
1)将验证集作为输入,使用多个目标检测模型对验证集数据进行预测,并记录模型准确率;
2)选出效果最佳的目标检测模型所对应的参数,用于调整模型参数;
步骤S23,测试阶段:
通过训练集和验证集得出最优模型后,使用测试集作为输入进行模型预测,用于衡量最优目标检测模型的性能和分类能力。
3、根据权利要求1所述的一种基于CARLA模拟器的目标检测方法,其特征在于,步骤S30包括:
步骤S31,修改目标检测算法代码,将训练好的目标检测模型嵌入算法,并修改相应的API;
步骤S32,编写Python脚本,配置所需驾驶环境,将修改后的目标检测算法应用于CARLA传感器的监听方法;
步骤S33,启动CARLA模拟器作为服务器,运行Python脚本。
本发明有益效果:
通过调用CARLA模拟器提供的RGB相机在不同路况、不同天气状况下采取丰富的具有差异性的图像信息,生成用于目标检测任务的大量训练样本,可以很大程度上降低目标检测模型的过拟合效应,然后将这些图像作为目标检测算法的训练集、验证集以及测试集;通过训练基于卷积神经网络的目标检测得到模型,进行验证改善模型参数,重复过程得到最终模型,并测试得到最终模型的相关指标信息;通过将目标检测模型应用在CARLA模拟器中,以实现自动驾驶中精度高、速度快,高效稳定的目标检测。本发明设计原理可靠,具有非常广泛的应用前景。
附图说明
图1为本发明的流程示意图;
图2为本发明的实现流程示意图。
具体实施方式
下面结合附图对本发明做进一步详细说明。
参照图1,一种基于CARLA模拟器的目标检测方法,包括通过CARLA模拟器生成虚拟样本数据训练的目标检测模型,其训练方法为:
步骤S10,启动CARLA模拟器,通过CARLA模拟器生成虚拟样本数据;所述虚拟样本数据包括CARLA模拟器中的RGB相机得到的图像;调用CARLA模拟器提供的相机在不同路况、不同天气状况下采取丰富的具有差异性的图像信息;
步骤S20,通过基于卷积神经网络的目标检测算法,将从CARLA虚拟环境中获取的图像信息,构建为具有训练集、验证集和测试集的数据集,训练基于卷积神经网络的目标检测模型;通过对基于卷积神经网络的目标检测模型进行迭代训练直至模型的损失函数值低于设定阈值或达到设定训练次数,获得训练好的模型并保持模型参数,使用验证集对得到的模型进行验证和纠正,得到最终的目标检测模型,最后利用测试集对模型进行测试得到指标信息;
步骤S30,将训练好的目标检测模型以代码的形式应用于CARLA模拟器中,并对CARLA模拟器RGB相机传回的图像信息实时处理,实现汽车驾驶场景下的目标检测。
进一步地,所述步骤S10包括:
步骤S11,调用Python API,按照需求预先设置好天气状况和路况信息,调用CARLA模拟器中的RGB相机并对RGB相机进行相应的配置,将获取的图像信息按照指定的格式保存在本地;
步骤S12,运行CARLA模拟器,将编写好的Python脚本作为客户端运行;
步骤S13,将获得的图片利用图片标注工具进行人工标注。
3、根据权利要求1所述的一种基于CARLA仿真的目标检测方法,其特征在于,步骤S20包括:
步骤S21,训练阶段:
1)将训练集作为输入,通过卷积神经网络的多个卷积层和池化层进行特征提取;
2)通过卷积神经网络的全连接层对高层特征进行针对性的映射;
3)利用卷积神经网络的输出层面向具体任务将神经网络作为分类器使用产生图形类别的预测,实现特征分类,产生一维向量,得到特征图像的类别,即目标检测训练结果,将该结果保存为权重数据;
4)重复2-4过程直到误差小于等于期望值;
步骤S22,验证阶段:
1)将验证集作为输入,使用多个目标检测模型对验证集数据进行预测,并记录模型准确率;
2)选出效果最佳的目标检测模型所对应的参数,用于调整模型参数;
步骤S23,测试阶段:
通过训练集和验证集得出最优模型后,使用测试集作为输入进行模型预测,用于衡量最优目标检测模型的性能和分类能力。
3、根据权利要求1所述的一种基于CARLA模拟器的目标检测方法,其特征在于,步骤S30包括:
步骤S31,修改目标检测算法代码,将训练好的目标检测模型嵌入算法,并修改相应的API;
步骤S32,编写Python脚本,配置所需驾驶环境,将修改后的目标检测算法应用于CARLA传感器的监听方法;
步骤S33,启动CARLA模拟器作为服务器,运行Python脚本。
为了更清晰地对本发明基于CARLA模拟器的目标检测方法进行说明,下面结合图2对本发明实施例中各步骤展开详述。
步骤S10,启动CARLA模拟器,通过CARLA模拟器生成虚拟样本数据;所述虚拟样本数据包括CARLA模拟器中的RGB相机采集的图像;调用并识别CARLA模拟器提供的深度传感器在不同路况、不同天气状况下采取丰富的具有差异性的图像信息。
CARLA提供了许多传感器,并且开放了传感器的Python API,通过编写相应的Python脚本即可获得指定格式的图片,在Python脚本中添加任意数量的车辆和行人,用于模拟不同的路况,此外,CARLA内置了多种包括晴天、雨天、大风在内的天气状况,在Python脚本中进行相应的配置即可模拟不同的天气状况和多样的路况。
(1)初始化CARLA虚拟世界:
设置TCP端口:默认情况下CARLA模拟器使用本地主机IP和端口2000进行连接,但是可以随意更改,按照实际情况设置TCP端口;
设置超时响应时间:限制联网时间,如果连接时间超过设定值则连接失败;
检索CARLA世界:获得CARLA虚拟城市地图,启动虚幻引擎,以便后续操作;
获得蓝图库:蓝图库中包含已经制作好的具有动画和各种属性的模型,获得蓝图库以便后续添加车辆、行人;
设置天气状况:按照需求设置天气状况,如雨天、大风天气等;
设置路况:添加所需数目的行人和汽车,并且设置速度、位置等初始信息,用以设置路况;
添加测试车辆:添加一辆汽车用于模拟汽车驾驶,设置汽车的基本属性如外观、动力等;
添加并配置传感器:向测试汽车添加用于捕捉环境信息的传感器并设置属性如位置、捕获频率等。
(2)从CARLA获取数据集:
安装CARLA:从CARLA的官方GitHub网址下载适合版本的CARLA并安装;
启动CARLA服务器:将CARLA作为服务器运行,设置端口,默认为2000;
获取图像:上述操作完成后,通过在Python脚本中编写相应代码指定保存图像的格式和位置,将图像保存至本地;
人工标注:最后使用标注工具对获取到的图像进行标注。
步骤S20,通过基于卷积神经网络的目标检测算法,将从CARLA虚拟环境中获取的图像信息,构建为具有训练集、验证集和测试集的模型训练数据集,通过模型训练数据集训练基于卷积神经网络的目标检测模型;通过对基于卷积神经网络的目标检测模型进行迭代训练直至模型的损失函数值低于设定阈值或达到设定训练次数,获得训练好的模型并保持模型参数,使用验证集对得到的模型进行验证和纠正,得到最终的目标检测模型,最后利用测试集对模型进行测试得到指标信息。
训练模型:
训练集、验证集、测试集:第一部分操作完成后,按照一定比例将获取到的数据集随机分为训练集、验证集、测试集;
初始化网络结构及参数:初始化神经网络及损失函数,设置相关参数如损失函数权重;
预处理训练数据集:在此处完成对训练数据集属性如目标类别数的初始化,实现对训练数据集的预处理。同时编写好训练目标函数,设定其中的超参数值;
提取底层特征:接着在卷积层和池化层提取图像特征;
映射高层特征:在全连接层根据输出层的具体任务对高层特征进行针对性的映射;
特征分类:然后使用相应的分类器在输出层对特征进行分类;
保存模型参数:模型训练成功后,将模型参数保存以便下一步操作;
验证模型:使用训练出的多个模型对验证集进行预测,选出准确率最高的模型;
测试模型:将上阶段选出的最优模型对测试集进行预测,记录模型的性能。
步骤S30,将训练好的目标检测模型以代码的形式应于CARLA模拟器中,并对CARLA模拟器深度传感器传回的图像信息实时处理,实现到汽车驾驶环境进行目标检测。
CARLA模拟器可以将深度传感器采集到的图像信息按照用户指定的频率实时返回,CARLA模拟器提供的深度传感器内置监听方法,在监听方法内编写相应的代码可以对深度传感器返回的原始数据(RAW格式)进行加工处理和重构得到真实的图像。然后利用OpenCV显示重构的图像并不断刷新,用户可以看到汽车在CARLA中的实时驾驶环境。最后,将训练好的目标检测模型以代码的形式应用在这个监听方法中,对传感器传回的图像信息实时处理,不断刷新即可做在汽车驾驶环境进行目标检测。
实时目标检测:
重构图像:对传感器传回的图像原始数据进行加工处理和重构,变成目标检测模型能够处理的对象;
使用模型处理图像:将训练好的目标检测模型添加至传感器的监听方法中用于对图像进行目标检测;
实时目标检测:通过目标检测模型对传感器传回的图像进行检测并不断刷新可以做到对汽车驾驶环境的实时目标检测。
本发明基于CARL模拟器的目标检测按照基本的目标检测步骤进行,并未脱离实际与基本框架,训练出的模型将使精度与检测速度达到最优平衡,既保证检测速度又保证检测精度。通过调用CARLA模拟器提供的深度传感器在不同路况、不同天气状况下采取丰富的具有差异性的图像信息,生成用于目标检测任务的大量训练样本,可以很大程度上降低目标检测对真实带标签数据的依赖,然后将这些图像作为目标检测算法的训练集、验证集以及测试集;通过训练基于卷积神经网络的目标检测得到模型,进行验证改善模型参数,重复过程得到最终模型,并测试得到最终模型的相关指标信息;通过将目标检测模型应用在CARLA模拟器中,以实现自动驾驶中精度高、速度快,高效稳定的目标检测。本发明设计原理可靠,具有非常广泛的应用前景。
上面对本发明的较佳实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域的普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (4)
1.一种基于CARLA仿真的目标检测方法,其特征在于,包括通过CARLA模拟器生成虚拟样本数据训练的目标检测模型,其训练方法为:
步骤S10,启动CARLA模拟器,通过CARLA模拟器生成虚拟样本数据;所述虚拟样本数据为RGB相机采集的图像;调用CARLA模拟器提供的RGB相机在不同路况、不同天气状况下采取丰富的具有差异性的图像信息;
步骤S20,通过基于卷积神经网络的目标检测算法,将从CARLA虚拟环境中获取的图像信息,构建为具有训练集、验证集和测试集的数据集,训练基于卷积神经网络的目标检测模型;通过对基于卷积神经网络的目标检测模型进行迭代训练直至模型的损失函数值低于设定阈值或达到设定训练次数,获得训练好的模型并保持模型参数,使用验证集对得到的模型进行验证和纠正,得到最终的目标检测模型,最后利用测试集对模型进行测试得到指标信息;
步骤S30,将训练好的目标检测模型以代码的形式应用于CARLA模拟器中,并对CARLA模拟器RGB相机传回的图像信息实时处理,实现汽车驾驶场景下的目标检测。
2.根据权利要求1所述的一种基于CARLA仿真的目标检测方法,其特征在于,步骤S10包括:
步骤S11,调用Python API,按照需求预先设置好天气状况和路况信息,调用CARLA模拟器中的RGB相机并对RGB相机进行相应的配置,将获取的图像信息按照指定的格式保存在本地;
步骤S12,运行CARLA模拟器,将编写好的Python脚本作为客户端运行;
步骤S13,将获得的图片利用图片标注工具进行人工标注。
3.根据权利要求1所述的一种基于CARLA仿真的目标检测方法,其特征在于,步骤S20包括:
步骤S21,训练阶段:
1)将训练集作为输入,通过卷积神经网络的多个卷积层和池化层进行特征提取;
2)通过卷积神经网络的全连接层对高层特征进行针对性的映射;
3)利用卷积神经网络的输出层面向具体任务将神经网络作为分类器使用产生图形类别的预测,实现特征分类,产生一维向量,得到特征图像的类别,即目标检测训练结果,将该结果保存为权重数据;
4)重复2-4过程直到误差小于等于期望值;
步骤S22,验证阶段:
1)将验证集作为输入,使用多个目标检测模型对验证集数据进行预测,并记录模型准确率;
2)选出效果最佳的目标检测模型所对应的参数,用于调整模型参数;
步骤S23,测试阶段:
通过训练集和验证集得出最优模型后,使用测试集作为输入进行模型预测,用于衡量最优目标检测模型的性能和分类能力。
4.根据权利要求1所述的一种基于CARLA模拟器的目标检测方法,其特征在于,步骤S30包括:
步骤S31,修改目标检测算法代码,将训练好的目标检测模型嵌入算法,并修改相应的API;
步骤S32,编写Python脚本,配置所需驾驶环境,将修改后的目标检测算法应用于CARLA传感器的监听方法;
步骤S33,启动CARLA模拟器作为服务器,运行Python脚本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110413040.9A CN113095241A (zh) | 2021-04-16 | 2021-04-16 | 一种基于carla模拟器的目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110413040.9A CN113095241A (zh) | 2021-04-16 | 2021-04-16 | 一种基于carla模拟器的目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113095241A true CN113095241A (zh) | 2021-07-09 |
Family
ID=76678167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110413040.9A Pending CN113095241A (zh) | 2021-04-16 | 2021-04-16 | 一种基于carla模拟器的目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095241A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114019921A (zh) * | 2021-11-01 | 2022-02-08 | 碳纪科技(北京)有限公司 | 基于组合模型的生产线设备控制方法、装置、设备及介质 |
CN114067062A (zh) * | 2022-01-17 | 2022-02-18 | 深圳慧拓无限科技有限公司 | 一种真实驾驶场景仿真方法、系统、电子设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188683A (zh) * | 2019-05-30 | 2019-08-30 | 北京理工大学 | 一种基于cnn-lstm的自动驾驶控制方法 |
CN110427827A (zh) * | 2019-07-08 | 2019-11-08 | 辽宁工程技术大学 | 一种多尺度感知及全局规划下的自主驾驶网络 |
CN111539489A (zh) * | 2020-05-28 | 2020-08-14 | 中国电子科技集团公司第十四研究所 | 一种毫米波图像目标检测识别方法 |
CN111803059A (zh) * | 2020-06-30 | 2020-10-23 | 武汉中旗生物医疗电子有限公司 | 一种基于时域卷积网络的心电信号分类方法及装置 |
-
2021
- 2021-04-16 CN CN202110413040.9A patent/CN113095241A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188683A (zh) * | 2019-05-30 | 2019-08-30 | 北京理工大学 | 一种基于cnn-lstm的自动驾驶控制方法 |
CN110427827A (zh) * | 2019-07-08 | 2019-11-08 | 辽宁工程技术大学 | 一种多尺度感知及全局规划下的自主驾驶网络 |
CN111539489A (zh) * | 2020-05-28 | 2020-08-14 | 中国电子科技集团公司第十四研究所 | 一种毫米波图像目标检测识别方法 |
CN111803059A (zh) * | 2020-06-30 | 2020-10-23 | 武汉中旗生物医疗电子有限公司 | 一种基于时域卷积网络的心电信号分类方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114019921A (zh) * | 2021-11-01 | 2022-02-08 | 碳纪科技(北京)有限公司 | 基于组合模型的生产线设备控制方法、装置、设备及介质 |
CN114067062A (zh) * | 2022-01-17 | 2022-02-18 | 深圳慧拓无限科技有限公司 | 一种真实驾驶场景仿真方法、系统、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110909666B (zh) | 一种基于改进型YOLOv3卷积神经网络的夜间车辆检测方法 | |
Saltori et al. | Cosmix: Compositional semantic mix for domain adaptation in 3d lidar segmentation | |
CN112464910A (zh) | 一种基于YOLO v4-tiny的交通标志识别方法 | |
CN111738110A (zh) | 基于多尺度注意力机制的遥感图像车辆目标检测方法 | |
CN110619283A (zh) | 一种无人机正射影像道路自动提取方法 | |
CN111767927A (zh) | 一种基于全卷积网络的轻量级车牌识别方法及系统 | |
CN113095241A (zh) | 一种基于carla模拟器的目标检测方法 | |
CN110781980B (zh) | 目标检测模型的训练方法、目标检测方法及装置 | |
CN112613548B (zh) | 基于弱监督学习的用户定制化目标检测方法、系统和存储介质 | |
CN113239753A (zh) | 基于YOLOv4改进的交通标志检测与识别方法 | |
CN111859674A (zh) | 一种基于语义的自动驾驶测试图像场景构建方法 | |
CN110659601A (zh) | 基于中心点的深度全卷积网络遥感图像密集车辆检测方法 | |
CN110866564A (zh) | 多重半监督图像的季节分类方法、系统、电子设备和介质 | |
CN115909280A (zh) | 基于多头注意力机制的交通标志识别算法 | |
Rothmeier et al. | Let it snow: On the synthesis of adverse weather image data | |
CN115186473A (zh) | 一种基于平行智能的场景感知建模与验证方法 | |
CN112785610B (zh) | 一种融合低层特征的车道线语义分割方法 | |
CN113902793A (zh) | 基于单视觉遥感影像端到端建筑物高度预测方法、系统和电子设备 | |
US20220196432A1 (en) | System and method for determining location and orientation of an object in a space | |
CN117152513A (zh) | 一种面向夜间场景的车辆边界定位方法 | |
CN115661681B (zh) | 一种基于深度学习的滑坡灾害自动识别方法及系统 | |
CN111340004A (zh) | 一种车辆图像识别的方法和相关装置 | |
CN111881839A (zh) | 一种基于度量学习的小样本遥感影像目标识别方法 | |
CN116665170A (zh) | 目标检测模型的训练及目标检测方法、装置、设备和介质 | |
CN113947774A (zh) | 一种轻量级的车辆目标检测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210709 |