深度學習及自動駕駛應用
徐國艷 王章宇 週帆
- 出版商: 機械工業
- 出版日期: 2024-05-24
- 售價: $1,008
- 貴賓價: 9.5 折 $958
- 語言: 簡體中文
- 頁數: 268
- 裝訂: 平裝
- ISBN: 7111754727
- ISBN-13: 9787111754725
立即出貨 (庫存 < 3)
買這商品的人也買了...
-
$680$537 -
$880$695 -
$828$787 -
$479$455
相關主題
商品描述
本書主要講述了汽車自動駕駛技術概述、深度學習基礎及實務、卷積神經網路、網路最佳化與正規化、
目標偵測與影像分割CNN模型、注意力機制與Transformer、生成對抗網路、
強化學習等內容,以及深度強化學習理論及在自動駕駛領域的工程實務。
本書從深度學習入門基礎、深度學習高階技術,到深度學習尖端技術,層層遞進提升。
本書也基於產教融合和科教融合,將自動駕駛領域產業級工程項目和科研成果轉化為教學案例及實踐項目。
本書可作為自動駕駛、智慧交通、智慧電動車輛專業研究生教材,也可作為高年級本科生教材;
由於汽車、交通都與人們生活密切相關,
因此本書也適合自動駕駛相關產業以及其他需要了解與掌握深度學習知識的研發人員參考。
目錄大綱
前言
二維碼使用說明及清單
第1章汽車自動駕駛技術概述1
1.1汽車自動駕駛技術分級及發展現況2
1.1.1汽車自動駕駛的分級2
1.1.2汽車自動駕駛技術發展現況4
1.2汽車自動駕駛技術架構8
1.2.1自動駕駛環境感知技術8
1.2.2自動駕駛決策規劃技術10
1.2.3自動駕駛控制執行技術11
1.3汽車自動駕駛領域深度學習應用概述11
1.3.1深度學習與傳統機器學習的差異11
1.3.2深度學習的研究與應用進展12
1.3.3深度學習在自動駕駛環境感知的應用15
1.3.4深度學習在自動駕駛決策規劃的應用15
1.3.5深度學習在自動駕駛控制執行的應用16
思考題17
第2章深度學習基礎與實務18
2.1神經網路簡介19
2.1.1神經網路基本概念19
2.1.2單層感知機19
2.1.3多層感知機23
2.2深度學習理論基礎23
2.2.1訊號前向傳播24
2.2.2激活函數25
2.2.3損失函數27
2.2.4最佳化方法-梯度下降法28
2.2.5誤差反向傳播30
2.2.6計算圖36
2.3深度學習架構38
2.3.1TensorFlow38
2.3.2PyTorch39
2.3.3PaddlePaddle39
2.4實踐項目:DNN車輛辨識項目40
2.5實踐項目:基於DNN的自動駕駛資料集分類43
思考題45
第3章卷積神經網路理論與實務46
3.1全連接神經網路的問題47
3.2卷積神經網路理論基礎49
3.2.1卷積神經網路基本結構49
3.2.2卷積層51
3.2.3池化層55
3.3典型的捲積神經網路模型56
3.3.1LeNet56
3.3.2AlexNet58
3.3.3VGGNet59
3.3.4GoogleNet61
3.3.5ResNet64
3.4實踐項目:CNN斑馬線檢測項目66
3.5實踐項目:基於殘差網路的自動駕駛資料集分類67
思考題69
第4章網路優化與正規化71
4.1優化方法72
4.1.1梯度下降法72
4.1.2隨機梯度下降73
4.1.3Momentum方法73
4.1.4Nesterov加速梯度下降74
4.1.5自適應學習率方法75
4.1.6自適應估計Adam方法75
4.2局部最優點問題76
4.3參數初始化方法77
4.3.1參數初始化方法77
4.3.2基於固定變異數的參數初始化78
4.3.3基於方差縮放的參數初始化78
4.3.4正交初始化79
4.4數據預處理80
4.4.1資料清理80
4.4.2資料變換82
4.5逐層歸一化83
4.5.1權重和資料轉換下的不變性83
4.5.2層歸一化的基本原理與特性84
4.6超參數優化84
4.6.1手動超參數優化85
4.6.2自動超參數優化85
4.6.3超參數優化的常用工具87
4.7網路正規化88
4.7.1顯式函數正規化方法88
4.7.2隨機化正規化方法89
4.7.3縮小解空間正則化方法90
思考題91
第5章基於CNN的自動駕駛目標偵測理論與實務93
5.1目標檢測概述94
5.1.1目標檢測的基本介紹94
5.1.2目標檢測方法的發展94
5.1.3目標偵測資料格式與評估指標97
5.2兩階段目標偵測方法99
5.2.1RCNN99
5.2.2SPPNet和Fast RCNN100
5.2.3Faster RCNN103
5.2.4進階的兩階段演算法105
5.3單階段目標偵測方法106
5.3.1YOLO106
5.3.2SSD108
5.3.3YOLOv2109
5.3.4RetinaNet111
5.3.5YOLO後續版本112
5.4Anchor Free目標偵測方法112
5.4.1CornerNet113
5.4.2FCOS和CenterNet114
5.5自動駕駛目標偵測技術應用及案例介紹116
5.5.1自動駕駛目標偵測技術應用概述116
5.5.2自動駕駛障礙物危險等級預測案例介紹117
5.6實踐項目:基於YOLOv5的自動駕駛資料集目標偵測127
思考題129
第6章基於CNN的自動駕駛場景影像分割理論與實務131
6.1影像分割概述132
6.1.1影像分割的分類132
6.1.2影像分割方法的發展133
6.1.3影像分割資料格式與評估指標135
6.2FCN全卷積神經網路136
6.2.1上採樣過程137
6.2.2特徵融合139
6.3UNet/SegNet140
6.3.1UNet網路140
6.3.2SegNet網路141
6.4DeepLab系列142
6.4.1DeepLab V1/V2142
6.4.2DeepLab V3/V3 145
6.5圖卷積網路方法148
6.5.1圖卷積的定義148
6.5.2Beyond Grids149
6.5.3GloRe150
6.5.4GINet152
6.6自動駕駛影像分割技術應用及案例介紹153
6.6.1自動駕駛影像分割技術應用概述153
6.6.2礦區自動駕駛路面特徵擷取案例介紹154
6.7實作專案:基於DeepLab V3 的自動駕駛資料集影像分割162
思考題164
第7章循環神經網路及自動駕駛車輛換道行為預測應用165
7.1循環神經網路概述166
7.2長期依賴和門控RNN167
7.2.1RNN167
7.2.2LSTM168
7.2.3GRU170
7.3深層循環神經網路172
7.3.1Deep Transition RNN173
7.3.2Deep Output RNN173
7.3.3Stacked RNN173
7.4雙向循環神經網路174
7.5結合注意力機制的RNN結構175
7.5.1Seq2Seq175
7.5.2增加註意力機制的Seq2Seq176
7.6基於LSTM網路的車輛換道行為預測177
7.6.1自動駕駛車輛換道行為預測應用概述177
7.6.2自動駕駛車輛換道行為預測案例介紹180
7.7實踐項目:基於循環神經網路(GRU/LSTM)的車輛軌跡預測187
思考題188
第8章基於Transformer的自動駕駛目標偵測理論與實務189
8.1Transformer及自動駕駛應用概述190
8.1.1注意力機制與Transformer基本概念190
8.1.2Transformer在自動駕駛的應用概述191
8.2從編碼器解碼器結構到注意力機制192
8.3Transformer模型195
8.3.1Transformer的輸入與輸出195
8.3.2Transformer的結構組件196
8.3.3Transformer模型的訓練201
8.4Vision Transf