论文阅读——《基于卷积神经网络的车行环境多类障碍物检测与识别》

近期学习了卷积神经网络相关的知识，在课余时间阅读了一篇有关障碍物检测的硕士生论文，不过就阅读的过程而言，感觉硕士论文有些冗杂，容易让读者抓不到重点，而且篇幅较多，耗费时间有些长，以后阅读论文可以直接从核心期刊入手，英文论文对现在的我还有些困难，不过以后会逐步推进，加油！以下是我个人对这篇论文的理解。

---

摘要

  以 AlexNet网络模型为原型，基于 DeepLearnToolbox 工具的 Caffe 框架，搭建包含障碍物检测与障碍物区域推荐的 15 层网络，采用网络优化策略对深度卷积神经网络进行优化降低网络复杂度。设计出一种最大方差法结合形态学操作自动提取障碍物区域的方法。

绪论

背景及意义

讲述了障碍物识别技术的必要性，以及在无人驾驶领域的重要性。

国内外研究现状

细致描述了深度学习和障碍物检测的发展史，并描述了不同障碍物检测方法的优缺点：

1. 基于边缘检测的方法
     基于边缘检测的方法能够对差异明显的目标与背景进行适宜的区分，但在如强光这样的场景下，由于周围物体倒影、侧影等的干扰，往往导致检测的准确率降低。
2. 基于颜色信息的方法
      基于背景和目标色彩差异完成目标辨识，是常用的障碍物检测方法。任何物体之间色度和饱和度都不完全一致，虽然强度分量会受到光照的极大影响，但对于基于颜色的分割扰动不大。
     在强光线、正常光线、昏暗光线等不同真实应用场景下，基于颜色信息的障碍物检测方法对障碍物的检测精度不稳定，随环境整体颜色信息变化而变化，普适性不高。
3. 基于光流场计算的方法
     一种是基于灰度梯度基本不变特性，而另一种则是以亮度恒定为约束假设的方法。
   检测方法适用运动特性较为明显的检测场景，光流场不依赖于先验知识，但容易受到环境中存在的光线噪声等变化的影响，同时该方法的计算较为复杂，不适用于实时性要求较高的应用场景。
4. 基于机器学习的方法
     On-line boosting 的车辆跟踪方法， Adaboost 方法对车辆假设区域进行验证，3D 约束下的多部车辆的实时检测与追踪。
     此类方法属于浅层学习算法，需要选择性能优良的特征提取器提取目标特征。但传统的特征提取器并不能适用于应用场景复杂的目标检测，且其提取出的特征单一，不能准确表征目标本质属性；同时传统特征提取器侧重于解决二分类问题，可扩展性不强。

卷积神经网络介绍

图1

输入层

整个网络的输入，一般代表了一张图片的像素矩阵。图 1中最左侧三维矩阵代表一张输入的图片，三维矩阵的长、宽代表了图像的大小，而三维矩阵的深度代表了图像的色彩通道（channel）。黑白图片的深度为 1，RGB 色彩模式下，图片的深度为 3。

卷积层

CNN 中最为重要的部分。与全连接层不同，卷积层中每一个节点的输入只是上一层神经网络中的一小块，这个小块常用的大小有 3×3 或者 5×5。一般来说，通过卷积层处理过的节点矩阵会变的更深。
具体操作：

图2

卷积层结构的前向传播过程就是通过将一个 filter 从神经网络当前层的左上角移动到右下角，并且在移动中计算每一个对应的单位矩阵得到的。由图2得，Filter W0从上层神经网络的左上角移动到左下角，步长为2，各元素对应相乘后相加得到输出矩阵，卷积层输出矩阵的深度（也称为 filter 的深度）是由该卷积层中 filter 的个数决定，如上图