隨著自動駕駛技術的快速發(fā)展，如何讓車輛準確感知和理解周圍環(huán)境成為了該領域研究的核心問題之一。街景圖像語義分割作為一種關鍵的計算機視覺任務，旨在將街景圖像中的每一個像素精確地分類到預定義的語義類別中，如道路、車輛、行人、建筑物等。通過語義分割，自動駕駛系統(tǒng)能夠構建詳細的環(huán)境模型，從而實現(xiàn)更為精準的導航、障礙物檢測和路徑規(guī)劃。 語義分割在自動駕駛中的應用面臨諸多挑戰(zhàn)。首先，街景圖像具有高度復雜性和多樣性，包含不同的照明條件、天氣變化以及動態(tài)物體的干擾，這對語義分割模型的魯棒性提出了很高的要求。其次，實時性是自動駕駛系統(tǒng)的重要要求，因此在保證高精度的同時，語義分割算法還需具備足夠的計算效率。隨著深度學習技術的飛速發(fā)展，卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks, CNNs）及其變體在語義分割任務中取得了顯著的進展。然而，為了滿足自動駕駛系統(tǒng)的需求，仍需在模型精度、速度和魯棒性之間找到最佳平衡。 本研究旨在針對自動駕駛中的街景圖像語義分割問題，探索和優(yōu)化現(xiàn)有的深度學習方法，提升語義分割模型在復雜環(huán)境中的表現(xiàn)。本次科研將結合當前技術前沿以及學生的相關經(jīng)歷和需求，展開1v1科研指導服務。此外，學生也可以定制其他專業(yè)的科研課題。