基于深度学习的道路语义分割新方法

薛振彦，惠 明，程晋炳，董 昊

(1.南阳师范学院 物理与电子工程学院，河南省MXene材料微结构国际联合实验室，河南 南阳 473061；2.南阳师范学院 美术与艺术设计学院，河南 南阳 473061)

0 引 言

具有自动驾驶技术的智能汽车是当下科学技术发展的热门研究内容，其中，对车载自带图像采集系统所得到的道路图像进行精准的语义分割，是智能汽车自动驾驶中的关键技术之一.

针对图像语义像素级的分割问题，J.Long等人提出FCN神经网络结构，即全卷积神经网络(Fully Convolutional Networks).FCN模型成为当前语义分割领域中最常用的网络模型之一.FCN是由CNN网络改进得来的.CNN网络一般在卷积层后加上几层全连接层，将图像信息压缩成一个固定尺度的特征矢量，并最终输出一个图像级别分类结果的一维长度的值.而FCN模型将CNN末端的全连接层去掉，利用反卷积方式对最后一层卷积层进行上采样，进而使模型的输出维度恢复到与输入图像尺寸相同的程度，从而实现对像素进行预测分类.本文在FCN网络的基础上提出一种先验概率层的后处理方法，并与传统的全卷积神经网络模型(FCN)相结合实现道路图像的语义分割.先验概率层利用道路图像的先验知识，在所有道路图像训练标签的基础上表示各像素点分类概率的二维数组，并将它与传统全卷积神经网络模型相结合对道路图像进行语义分割.实验结果表明本文提出的先验概率层的后处理算法能够优化传统全卷积神经网络模型的分……