基于自注意和对抗学习的道路场景水体检测方法
Acta Electronica Sinica 전자학보（2023）
摘要
无人驾驶车辆近年来一直是研究的热点，无人车运行环境复杂、不确定因素多，尤其当其意外驶入水坑、泥潭等地形时可能直接导致抛锚，造成不可估量的损失，因此水体检测对无人车的运行有着重要意义. 借助深度网络的强大学习能力，本文首先将反射注意力单元和自注意力机制相结合，并在U-Net模型基础上添加残差卷积块和上采样卷积模块，得到了新的道路场景水体区域检测模型URA-Net，该模型能够更好地捕捉特征依赖关系，提高水体语义特征的表示能力. 进一步，提出了一种基于双生成器对抗学习的训练模型RWD-GAN，它对URA-Net稍作修改，拓展成两个生成器，通过在对抗网络框架下让生成器与鉴别器、生成器与生成器之间实现对抗学习，促进不同网络模型之间的信息传递. 在公开数据集上的大量实验表明URA-Net达到了87. 18%的F1指标，而RWD-GAN模型能够进一步提高水体检测的精度，使得F1指标提升到了88. 54%，URA-Net和RWD-GAN均超出现有深度网络水体检测方法的性能表现.
更多关键词
water puddle detection,self-attention,Adversarial learning,deep learning
AI 理解论文
溯源树
样例
生成溯源树，研究论文发展脉络
Chat Paper
正在生成论文摘要