《表1 分割算法在City Scapes数据集中的效果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《融合空洞卷积神经网络的语义SLAM研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文设计的SLAM系统将双目视觉模块立体匹配得到的视差图作为输入，获取深度信息。语义分割线程选择其中关键帧中的深度信息，控制空洞卷积中空洞的大小，自适应地调整神经网络卷积过程中的感受野，提升特征提取效果。考虑到本文提出的语义SLAM系统的实际运用场景为街景，因此采用City Scapes数据集进行效果验证。作为目前街景领域最权威的数据集之一，以场景复杂多变、分割难度大著称，能够较好地体现算法在实际应用环境下的性能。图3为传统ENet网络与本文提出的网络在City Scapes数据集上的分割效果对比，自上而下依次为输入图像、本文算法的效果、传统ENet分割效果。由图3可以看出，相比原ENet网络近处分割较为精细，远处的物体分割粗略，融合深度信息的改进方法使其分割效果更关注远处物体。表1为Seg Net网络、ENet网络以及本文方法在City Scapes数据集下运行的准确率，本文方法在深度信息的引入下，相较于原有的ENet算法，分割效果提升1%。