基于深度卷积神经网络的语义地图构建

最新推荐文章于 2025-03-06 12:37:15 发布

牛犇犇子木

最新推荐文章于 2025-03-06 12:37:15 发布

阅读量3.3k

点赞数 4

分类专栏： slam 文章标签：深度学习

本文链接：https://blog.csdn.net/ljtx200888/article/details/117419088

版权

本文探讨了基于深度卷积神经网络的语义地图构建方法，包括使用DeepLab算法网络，ResNet101结构，空洞金字塔池化操作，以及结合深度信息的门控模块。通过2D图像语义分割、帧间位姿估计和3D语义点云融合，构建带有标签信息的3D地图。实验验证了不同组件对2D和3D分割效果的影响，并探讨了3D稠密条件随机场在地图优化中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

（一）相关研究及特点

语义分割

语义信息：物体类别、目标检测、语义分割等。

语义分割即对图像中每个像素分配类别标签。目前最主流的是深度学习方法，代表性的方法是全卷积神经网络（fully convolutional neural network，FCN），可以将神经网络的最后几层全连接层替换成卷积层，实现端到端的学习，且在任何尺寸的图片上都可以进行预测。后续的图像语义分割方法主要是从 3 个方面进行改进： 1) 采用更深的网络结构．例如，将 16 层的 VGG16 网络结构换成 101 层的 ResNet101或 152 层的 ResNet152，从而能够表示更复杂的模型，学习到更具有区分性的特征．2) 在预测结果后面加上后处理操作．例如引入条件随机场（CRF），可以通过近似均值场推断将其整合到网络中，得到端到端的结果，也有一些方法会在条件随机场的基础上加入物体、边等额外的信息．3) 采用编码―解码的结构，如 DecovNet 和 SegNet 等方法，既可以提取到图像特征，也可以保持较大的感受野，但网络的深度也会更深。

优秀算法：

同时进行检测和实例分割的 Mask R-CNN：侧重于对检测结果的利用，利用检测到的物体的定位信息提高分割的效果．基于检测信息可以完成实例级别的分割，属于实例分割。
语义分割算法 PSPNet：语义分割的效果很好，采用主干网络，PSPNet 采用不同尺度的池化操作；在多尺度合并的时候采用的是通道连接。
语义分割算法DeepLab：语义分割的效果很好，采用了PSPNet相同的主干网络，采用了不同尺度的空洞卷积；在多尺度合并的时候采用元素级别相加。