隨著自動駕駛技術(shù)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(lǐng)域研究的核心問題之一。街景圖像語義分割作為一種關(guān)鍵的計算機視覺任務(wù)，旨在將街景圖像中的每一個像素精確地分類到預(yù)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(gòu)建詳細的環(huán)境模型，從而實現(xiàn)更為精準的導(dǎo)航、障礙物檢測和路徑規(guī)劃。 語義分割在自動駕駛中的應(yīng)用面臨諸多挑戰(zhàn)。首先，街景圖像具有高度復(fù)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(xué)習(xí)技術(shù)的飛速發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks, CNNs）及其變體在語義分割任務(wù)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(xué)習(xí)方法，提升語義分割模型在復(fù)雜環(huán)境中的表現(xiàn)。本次科研將結(jié)合當(dāng)前技術(shù)前沿以及學(xué)生的相關(guān)經(jīng)歷和需求，展開1v1科研指導(dǎo)服務(wù)。此外，學(xué)生也可以定制其他專業(yè)的科研課題。