典型文献
基于改进UNet++网络的路面类型识别技术研究
文献摘要：
雪、冰或潮湿等道路状况对驾驶安全构成重大威胁,为了及时准确获取路面状况信息,需要有一种可靠的自动路面类型分割模型.以UNet++分割模型为基础进行优化,提出一种并行注意力路面分割网络.首先,在编码阶段构造了并行CBAM残差块,引入空间注意模块与通道注意模块有助于细化特征映射并提高性能.其次,将CBAM通道注意力模块替换为ECA-NET模块,使用一维卷积代替CBAM的降维/升级机制来减少网络参数的数量.以适度的网络预测速度下降为代价,提升了分割性能.在构造的道路数据集上进行算法测试,实验结果表明所提方法的平均交并比值为90.2,在GTX2080 Ti GPU设备上平均运行时间为67 ms,符合一般行车对道路状况信息的实时性需求.
文献关键词：
路面类型识别;并行注意力机制;UNet++;语义分割
中图分类号：
作者姓名：
王星圆;苏楚奇;黄元毅
作者机构：
武汉理工大学汽车工程学院,武汉430070;上汽通用五菱汽车股份有限公司,柳州545007;武汉理工大学现代汽车零部件技术湖北省重点实验室,武汉430070
文献出处：
引用格式：
[1]王星圆;苏楚奇;黄元毅-.基于改进UNet++网络的路面类型识别技术研究)[J].武汉理工大学学报,2022(08):76-83
A类：
路面类型识别,GTX2080
B类：
UNet++,识别技术研究,潮湿,道路状况,驾驶安全,大威,路面状况,分割模型,分割网络,在编,CBAM,残差块,通道注意模块,特征映射,通道注意力模块,ECA,NET,一维卷积,网络参数,测速,降为,路数,算法测试,平均交并比,Ti,GPU,运行时间,ms,性需求,并行注意力机制,语义分割
AB值：
0.371109
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
