针对无人车转角输出的端对端方法

论文摘要

针对端对端学习过程中的数据不均衡、时间成本高、输出不够鲁棒等问题,通过数据均衡、图像尺寸变换及双边滤波对数据集进行优化,降低了卷积神经网络(CNN)模型输出的误差,此外使用固定区域的图像剪切与图像尺寸变换降低了模型训练的时间成本。分别对是否经过均衡与处理的数据集进行训练获得两种模型,首先将两种模型的输出与原始数据进行对比,此外对平均训练时间进行比较,最终在智能小车上进行了自动驾驶实验。证明所提出方法改善了端对端输出的鲁棒性、降低了模型训练的时间成本。

论文目录

• 1 端对端学习
• 2 数据采集及预处理
•   2.1 数据采集
•   2.2 数据均衡及图像预处理
•   2.3 图像尺寸变换及双边滤波处理
•     2.3.1 图像尺寸变换
•     2.3.2 双边滤波
• 3 CNN框架
• 4 实验方案与结果
•   4.1 仿真实验
•   4.2 实物实验
• 5 结论

文章来源

类型: 期刊论文

作者: 付浩龙,赵津,席阿行,刘东杰,刘子豪

关键词: 端对端学习,卷积神经网络,数据均衡,图像尺寸变换,双边滤波

来源: 科学技术与工程 2019年36期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 汽车工业,计算机软件及计算机应用

单位: 贵州大学机械工程学院

基金: 贵州省科技厅计划(黔科合支撑[2017]2027,黔科合支撑[2018]2168,黔科合平台人才[2017]5630)资助

分类号: TP391.41;U463.6

页码: 207-211

总页数: 5

文件大小: 2395K

下载量: 50