-
题名基于深度学习的连续帧车道线检测网络
被引量：1
- 1
-
-
作者
孔健
李烨
尹婷
-
机构
上海理工大学光电信息与计算机工程学院
-
出处
《智能计算机与应用》
2021年第6期5-13,共9页
-
文摘
为了改善单帧图像检测复杂背景中车道线性能较差问题,例如车道线受到阴影影响、污渍污损或人车遮挡等情况时性能较差的问题。本文提出了一种基于连续帧的车道线检测网络实现了卷积神经网络(C onvolutional Neural Network,CNN)和长短期记忆网络LSTM(Long Short-Term Memory, LSTM)的融合。首先,编码器CNN对连续帧进行特征提取,生成多尺度特征映射;其次,输入对应的双层ConvLSTM网络,捕获连续帧的时空信息;最后,捕获的时空信息在解码器CNN中进行多尺度特征融合,产生车道线预测的分割图。实验结果表明所提网络的准确率、召回率和F1值较高,分别达到了 85.8%、96.1%和90.0%,总体上F1相对于原始CNN网络提高了约4%,在某些复杂路况下F1的提升在10%以上。与其它网络相比本文提出的网络具有较高的准确率、召回率和F1值,同时运行时间并没有大幅增加实时性得到保障。
-
关键词
车道线检测
卷积神经网络
ltsm
多尺度特征融合
-
Keywords
lane detection
convolutional neural network
ltsm
multi-scale feature fusion
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于LSTM的地下工程变形预测适用性研究
- 2
-
-
作者
彭渊
张军
-
机构
江西省赣西土木工程勘测设计院
-
出处
《江西测绘》
2022年第1期8-10,32,共4页
-
文摘
为了准确、快速地掌握地下工程施工过程中周围建筑物的形变情况,开展对地下工程周围建筑物沉降预测,为安全施工提供参考,利用定期对建筑物监测的沉降数据,引入长短期记忆神经网络(LSTM,Long Short-Term Memory)建立建筑物的沉降预测模型。为验证LSTM在沉降预测中的适用性能,结合实际观测数据来验证LSTM预测模型效果,并与BP神经网络模型和测量真值进行比较。通过该模型在某地下工程的沉降预测实验,对比BP神经网络,基于LSTM循环神经网络建立的预测模型在性能评价指标MAE和RMSE方面优势更明显,说明在沉降预测中比BP神经网络的精度更高,为类似工程的沉降预测提供了新方法。
-
关键词
沉降预测
LSTM神经网络
BP神经网络
MAE
RMSE
-
Keywords
Settlement Prediction
ltsm neural network
BP neural network
MAE
RMSE
-
分类号
TU433
[建筑科学—岩土工程]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
