本次设计的主要内容为半监督的道路可行区域检测算法的设计,算法的主要应用场景为无人驾驶汽车。本次设计采取了基于伪标签的半监督算法设计。使用Deeplab V3+语义分割卷积神经网络作为主干网络,使用语义分割数据集Pascal VOC 2012 benchmark,道路可行区域驾车呢数据集BDD 100k以及实验室自制的哈工大道路场景数据集进行算法的实验验证。本次设计创新性的提出了三种方式对半监督算法进行优化,其中半监督的动态区域纠正算法能够在卷积神经网络训练的过程中充分利用模型的纠正能力,在训练的过程中动态的对伪标签中错误的区域进行纠正,从而提高半监督的算法性能。半监督的权重优化算法通过引入一个权重矩阵,可以根据模型的输出概率来对每一个像素的损失值赋予一个权重,使得模型可以根据对图片中不同区域的确信程度来调节对不同区域的学习能力,优先学习自己最拿得准的知识,极大的提高了半监督的学习效果。半监督的教师网络算法通过引入一个复杂的,学习能力较强但是运行效率比较低的教师模型来进行伪标签的制作,采用比较简单的运行效率高的学生模型来学习教师模型提供的伪标签知识,能够在保证模型的运行速度的前提下提高伪标签的质量,进一步提高半监督的效果。最后通过实验验证,证明了我们提出的三种半监督学习的优化算法对半监督学习效果的提升是非常明显的,通过本次设计的半监督道路可行区域检测算法,能够使无人驾驶汽车在部署之后继续进行道路信息的采集,通过半监督学习算法不断地学习车辆经常行驶的道路的知识,实现无人驾驶车辆的终身学习。