幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

視覺智能與交通環境感知/信息科學技術學術著作叢書

  • 作者：李學偉//劉宏哲|責編:姚慶爽
  • 出版社：科學
  • ISBN：9787030784193
  • 出版日期：2024/05/01
  • 裝幀：平裝
  • 頁數：202
人民幣：RMB 120 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    交通環境感知是實現智能駕駛的關鍵，我國駕駛環境的複雜性和不確定性給環境感知帶來很多困難。本書從車外環境和車內環境兩方面對交通環境感知的相關問題進行了研究。全書共11章，介紹了神經網路及其優化方法的基礎知識，並進一步介紹了基於深度神經網路的駕駛環境感知中的關鍵問題，包括交通場景中的行人、地面標誌線、交通信號燈及車輛的目標檢測任務，以及車內駕駛員的疲勞駕駛檢測任務，涉及的主要技術包括數字圖像處理、深度神經網路、視覺認知與計算等方面。
    本書可供高等院校視覺智能、交通環境感知應用等相關專業高年級本科生和研究生閱讀，也可供相關領域的研究人員、工程技術人員閱讀參考。
作者介紹
李學偉//劉宏哲|責編:姚慶爽
目錄
「信息科學技術學術著作叢書」序
前言
第1章  緒論
  1.1  人工智慧
  1.2  視覺智能
  1.3  交通場景環境感知
    1.3.1  交通場景的定義
    1.3.2  交通場景中的視覺認知
  1.4  本章小結
  參考文獻
第2章  神經網路
  2.1  感知機
  2.2  基於梯度下降的學習方法
  2.3  隱層單元
  2.4  反向傳播演算法
  2.5  本章小結
  參考文獻
第3章  卷積神經網路
  3.1  網路的基本部件
    3.1.1  卷積層
    3.1.2  池化層
    3.1.3  激活函數
    3.1.4  全連接層
  3.2  經典網路模型
    3.2.1  Alex-Net網路模型
    3.2.2  VGG-Nets網路模型
    3.2.3  GoogLeNet網路模型
    3.2.4  殘差網路模型
  3.3  經典目標檢測網路
    3.3.1  基於two-stage的演算法
    3.3.2  基於one-stage的演算法
  3.4  本章小結
  參考文獻
第4章  深度神經網路的優化方法
  4.1  深度網路優化中的問題
    4.1.1  局部極小值
    4.1.2  高原、鞍點和其他平坦區域
    4.1.3  梯度消失和梯度爆炸
    4.1.4  優化的理論限制
  4.2  隨機梯度下降
  4.3  自適應學習率演算法
  4.4  優化策略
  4.5  本章小結
  參考文獻
第5章  深度神經網路模型壓縮
  5.1  深度網路模型壓縮的研究現狀
  5.2  網路模型的壓縮策略
    5.2.1  低秩近似
    5.2.2  量化與二值網路
    5.2.3  剪枝與裁剪

  5.3  基於殘差結構的輕量化卷積模型
    5.3.1  殘差網路及其變體
    5.3.2  輕量化卷積模型的設計
    5.3.3  實驗及結果分析
  5.4  面向輕量化模型的知識遷移方法
    5.4.1  基於注意力的知識遷移模型
    5.4.2  面向輕量化模型的知識遷移方法
    5.4.3  實驗結果及分析
  5.5  駕駛環境下的實時目標檢測方法
    5.5.1  基於深度學習的目標檢測模型
    5.5.2  基於知識遷移的實時目標檢測方法
    5.5.3  實驗及結果分析
    5.5.4  真實道路數據集測試
  5.6  本章小結
  參考文獻
第6章  行人檢測
  6.1  行人檢測數據集
  6.2  評估方法
  6.3  基於YOLO多尺度空間特徵融合的道路區域行人檢測方法
    6.3.1  多尺度特徵提取模塊
    6.3.2  基於注意力機制的特徵融合模塊
    6.3.3  特徵分類和坐標回歸
    6.3.4  模型訓練和驗證
  6.4  多階段級聯網路行人檢測演算法
    6.4.1  多階段級聯網路演算法概述
    6.4.2  第一階段網路設計
    6.4.3  第二階段網路設計
    6.4.4  第三階段網路設計
  6.5  網路模型訓練與測試
    6.5.1  困難樣本挖掘
    6.5.2  損失函數設計
    6.5.3  模型訓練與測試配置
  6.6  多階段級聯網路模型的有效性分析
    6.6.1  不同演算法性能對比
    6.6.2  各模塊消融實驗
  6.7  本章小結
  參考文獻
第7章  地面標誌線檢測
  7.1  地面標誌定義
  7.2  地面標誌結構化處理
    7.2.1  逆透視變換
    7.2.2  車道線自適應擬合處理
    7.2.3  地面指示箭頭結構化處理
  7.3  基於傳統演算法的地面標誌檢測
    7.3.1  車道線檢測
    7.3.2  斑馬線檢測
    7.3.3  停止線檢測
  7.4  基於深度學習的地面標誌檢測
    7.4.1  基於編碼器-解碼器的演算法
    7.4.2  基於整合上下文信息的演算法

  7.5  基於改進Mask R-CNN實例分割網路的地面標誌檢測方法
    7.5.1  Mask R-CNN實例分割網路架構
    7.5.2  Mask R-CNN實例分割網路的改進及優化
    7.5.3  基於改進Mask R-CNN的分割實驗結果
  7.6  地面標誌檢測綜合實驗結果及應用
    7.6.1  實驗數據集介紹
    7.6.2  評定標準
    7.6.3  實驗結果及分析
  7.7  本章小結
  參考文獻
第8章  交通信號檢測
  8.1  交通信號介紹
  8.2  基於特徵融合的交通信號檢測
    8.2.1  演算法結構設計
    8.2.2  實驗結果與分析
  8.3  基於深度級聯網路的交通標識檢測
    8.3.1  級聯網路結構
    8.3.2  精準分類網路
    8.3.3  實驗結果分析與參賽測試證明
  8.4  本章小結
  參考文獻
第9章  前方車輛位置監測
  9.1  基於Faster R-CNN的2D車輛檢測
    9.1.1  整體框架結構
    9.1.2  RPN結構與錨點生成
    9.1.3  尺度歸一化
    9.1.4  損失函數
    9.1.5  測試結果
  9.2  基於關鍵點回歸網路的3D車輛檢測
    9.2.1  演算法整體流程
    9.2.2  關鍵點回歸
    9.2.3  回歸網路
    9.2.4  損失函數
    9.2.5  3D包圍框估計
    9.2.6  測試結果
  9.3  基於車輛下邊沿和逆透視變換的車距測量
    9.3.1  演算法整體流程
    9.3.2  車輛下邊沿及關鍵點計算
    9.3.3  逆透視變換模型
  9.4  本章小結
  參考文獻
第10章  疲勞駕駛檢測
  10.1  駕駛員的人臉檢測
    10.1.1  人臉檢測概述
    10.1.2  基於級聯卷積神經網路的人臉檢測
    10.1.3  基於ShuffleNet改進的MTCNN人臉檢測模型
    10.1.4  實驗結果與分析
  10.2  駕駛員去人臉遮擋的人臉關鍵點檢測
    10.2.1  基於生成對抗網路與自編碼器的人臉去遮擋
    10.2.2  基於深度回歸網路與去人臉遮擋網路的人臉關鍵點檢測

    10.2.3  實驗結果與分析
  10.3  本章小結
  參考文獻
第11章  視覺智能在駕駛安全中的應用
  11.1  行人意圖分析
    11.1.1  行人意圖預測的難點
    11.1.2  行人與周圍環境的交互
    11.1.3  行人與其他人的交互
    11.1.4  行人與本車的交互
    11.1.5  意圖預測方法
  11.2  車道偏離檢測
  11.3  駕駛員疲勞檢測系統設計和實現
  11.4  本章小結
  參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032