基于深度学习的道路破损标线检测
文献类型：学位论文
| 作者 | 王俊伟 |
| 答辩日期 | 2024-06 |
| 文献子类 | 学术型学位 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 中国科学院地理科学与资源研究所 |
| 导师 | 廖小罕 ; 王勇 |
| 关键词 | 道路破损标线 深度学习 语义分割 遥感 |
| 学位名称 | 博士 |
| 学位专业 | 地图学与地理信息系统 |
| 英文摘要 | 道路标线传递交通信息，是防范交通事故和保障行车安全的重要保障。然而，道路标线会受到自然环境和人为破坏的影响，随着时间的推移而逐渐损坏，出现断裂、脱落、模糊等现象，对行车带来安全隐患。因此，及时检测和修复破损的道路标线对于保障道路畅通和行车安全至关重要。 高分辨率的遥感数据和精确的语义分割模型是道路破损标线检测的关键。现有模型存在未充分考虑破损标线的特点、高精度模型效率低、基于监督学习的方法泛化能力弱的问题。针对道路破损标线检测的现有问题和瓶颈，本文围绕“精度提升——效率提升——模型泛化”的研究主线，提出了一系列创新方法和解决方案。主要研究内容如下： （1）基于多尺度空间选择核模型的道路破损标线分割。针对已有分割算法没有考虑破损标线断裂、密集、微小和边界模糊的特点，直接应用到破损标线分割，精度有限的问题，构建了基于多尺度空间选择核的分割模型。将Transformer和轻量级多扩张卷积神经网络相结合，从多尺度中聚合信息，提供高质量、语义强的抽象特征。通过局部和全局上下文特征描述和自注意力机制，生成了破损标线类的特征表示，从而更准确、精细地识别不同场景的破损。 （2）基于多层次知识蒸馏自适应轻量化道路破损标线分割。针对提出的高精度模型结构复杂、运算量大、应用场景受限的问题，提出了一种基于蒸馏学习策略的多层次自适应轻量化模型，通过多层次知识蒸馏学习策略，将教师模型的多层次知识传递给学生模型，在提升学生模型的分割性能的同时，减少学生模型的参数量和计算量，在保证效率的前提下，实现了理想的破损标线分割精度。同时，采用了多尺度动态选择卷积模块、自适应空间和通道注意力融合模块，来提高分割分支的精确度、完整度和鲁棒性。 （3）基于分段策略的对抗自训练无监督域自适应道路破损标线分割。针对现有深度学习方法依赖大量标记数据，泛化能力弱的问题，提出了一种分段策略的无监督域自适应框架，有效缓解了源域与目标域之间的差异，为检测模型的泛化应用奠定了基础。 |
| 学科主题 | 地图学与地理信息系统 |
| 语种 | 中文 |
| 页码 | 123 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/209355]  |
| 专题 | 地理科学与资源研究所_研究生部 |
| 推荐引用方式 GB/T 7714 | 王俊伟. 基于深度学习的道路破损标线检测[D]. 中国科学院地理科学与资源研究所. 中国科学院大学. 2024. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。