【摘 要】
：
三维目标检测是自动驾驶车辆环境感知的关键技术之一,通过提供周围场景中丰富的三维信息,为自动驾驶的下一步规划决策提供重要依据。鉴于单目相机价格便宜、容易安装等特点,基于单目的三维目标检测在商业应用中受到广泛青睐。为此,本文重点针对车辆、行人及非机动车检测,研究基于单目的轻量化三维目标检测算法,并实现了算法在移动端嵌入式设备SE5 AI平台的部署。主要研究内容如下:（1）单目三维目标检测基准算法测试。
论文部分内容阅读
三维目标检测是自动驾驶车辆环境感知的关键技术之一,通过提供周围场景中丰富的三维信息,为自动驾驶的下一步规划决策提供重要依据。鉴于单目相机价格便宜、容易安装等特点,基于单目的三维目标检测在商业应用中受到广泛青睐。为此,本文重点针对车辆、行人及非机动车检测,研究基于单目的轻量化三维目标检测算法,并实现了算法在移动端嵌入式设备SE5 AI平台的部署。主要研究内容如下:（1）单目三维目标检测基准算法测试。为了实现移动端算法部署需求,论文调研并测试了两种先进的单目三维目标检测算法,从网络结构、资源消耗及综合检测性能方面进行深入分析,最终选择改进版M3D-RPN作为三维目标检测系统基准算法。（2）轻量高效的三维目标检测算法开发。为了在尽量保持检测精度的前提下进一步提高检测速度,降低资源消耗,本文采用轻量级主干网络对基准算法进行改进,并提出使用轻量高效的融合注意力机制提升网络特征提取能力,在KITTI数据集的检测速度由9.7FPS提升至12.8FPS,模型参数量由6.9M降低到3.9M。此外,为提高检测结果的稳定性,方法融合了基于视频的目标运动模型,进一步提高了三维检测的效果。（3）三维目标检测算法移动端部署。为了实现三维目标检测功能在移动端的应用,本文通过算子替换、代码更新、模型转换等工作完成了以上研究的三维目标检测算法在比特大陆嵌入式SE5 AI平台的部署。在损失很少检测精度的前提下功耗和体积大大降低检测速度达到9.3FPS。
其他文献
深度学习作为实现人工智能的关键技术已经被广泛应用于生活和工业中的各个领域。分布式训练是加速深度学习模型训练的常用方式,可以有效地应对深度学习面临的大模型和大数据挑战。然而,分布式训练中的参数同步导致了严重的通信瓶颈问题,阻碍了分布式训练规模的拓展和训练速度的提升。现有的研究大多从减少通信频率或压缩通信的数据量进行考虑,但这些方法都需要复杂的超参数调整,并会造成一定程度的模型精度损失。本文研究了深度
因果关系的学习有助于我们理解数据背后的生成机制及回答“为什么”等问题,它被广泛应用在生物,医学,社会科学等领域。然而传统的因果关系学习方法大都是基于干预（interventions）或者随机实验（randomized experiments）,这使得在现实应用中,往往需要较高的成本代价,或者是不道德的。如何仅从观测数据中挖掘背后的因果关系,也称因果结构学习,成为更加普适的研究方法。函数因果模型（F
单光子发射计算机断层扫描（SPECT）是一种非侵入型的分子成像技术,在肿瘤和心血管成像等领域中发挥了重要作用。该技术在患者体外设有环绕旋转的探测单元,探测单元接收患者体内引入的放射性示踪剂衰变时所发射的高能光子,将光子在探测单元上的投影重建为对示踪剂分布的估计,利用不同组织间放射性活性的差异获取组织器官的生化信息。这些信息的变化往往早于宏观结构的改变,因此对某些疾病的早期发现和诊断具有优势。由发射
路径规划（Path Planning）是智能机器人领域的重点研究方向之一,它与轨迹生成（Trajectory Generation）共同组成了运动规划的主要内容。其中,路径规划关注的是机器人在环境已知或未知的情况下,静态或者实时地规划出一条从起点到终点的无障碍碰撞路径。这类算法优劣的评判标准一般分为规划时间、路径长度两个方面,用更快的时间规划出一条最短路径是路径规划研究的主要目标。目前,静态环境下
在大数据时代,知识图谱成为表示和组织海量知识的一种重要形式。其中,知识图谱的新探索领域是分布式知识表示学习,它主要研究在低维空间中如何表示知识图谱的关系与实体,同时捕捉其语义信息。但是,实体稀疏性常见于知识图谱,导致现有的分布式知识表示学习方法难以正确地学习到稀疏实体的向量表示,从而影响知识图谱的应用效果,为此,本文开展了以下工作:（1）提出一种捕获稀疏实体特征的激活机制,用于优化知识表示学习模型
启发式搜索作为智能规划问题求解的重要范式之一,其性能主要取决于启发式估值函数的信息度和启发式搜索算法的效率。FF规划器的放宽规划图启发式、Fast-Downward规划器的因果图启发式、LAMA规划器的7)8)(8启发式等精心设计的领域无关启发式,都表现出了优异的求解性能。然而,不同的启发式具有不同的结构特征,代表了不同的设计策略。一方面,单一启发式并不能完美适用于所有规划问题。另一方面,预先设计
掺铥光纤激光器（Thulium-Doped Fiber Laser,TDFL）输出功率的持续增长以及应用范围的不断拓展,其输出激光的功率稳定性要求也越来越严格。TDFL长时间工作时会因为光子暗化效应（Photon Darkening Effect,PD）的影响而导致输出功率慢慢下降,稳定性变差,温度升高等情况,严重影响了稀土掺杂激光器的持续发展。本论文以目前的光子暗化研究为基础,对掺铥光纤激光器的
联合用药对复杂疾病的治疗具有非常重要的应用价值。通过药物组合治疗,可以提高临床治疗效果,减少药物的副作用,甚至可以帮助病人克服耐药性。近年来,联合疗法被研究人员应用到癌症治疗中,已经成为现代癌症治疗中不可或缺的一种治疗手段。在生物学中,研究人员凭借着先验的生物知识与临床经验,通过生物实验筛选方法来确定有效的药物组合。虽然传统的实验筛选方法已经有效地发现一批药物组合,但是随着大量新药被研发出来,药物
与传统的协作过滤和基于内容的推荐不同,序列推荐通过对用户与项目之间顺序行为的建模,很好地捕捉到用户与项目之间的交互以及随时间变化的用户偏好。会话是对序列的更细粒度的划分,会话推荐可以更好地捕获用户的短期兴趣;图神经网络能对非欧式数据进行向量化表示,在推荐系统中,可以很好地捕获用户项目之间的关系,两者越来越受到业界广泛关注。在研读大量相关文献后,发现目前基于会话的序列推荐仍然存在以下问题:一是关注于
序数回归（Ordinal Regression,OR）是指在具有有序类别数据的基础上建立分类模型。目前,序数回归模型得到了广泛的应用,但是现有的序数回归算法主要在单视角数据上建立分类器,面向多视角数据的序数回归算法还存在一定的空白。此外,由于采样误差、传输错误等原因,多视角数据可能存在不确定信息。如何利用有序数据中的多视角信息和处理有序数据中不确定信息,是本文亟待解决的问题。针对上述序数回归目前存