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

深度學習及自動駕駛應用(車輛工程專業研究生系列教材)

  • 作者：編者:徐國艷//王章宇//周帆|責編:何士娟//王婕
  • 出版社：機械工業
  • ISBN：9787111754725
  • 出版日期：2024/04/01
  • 裝幀：平裝
  • 頁數：285
人民幣：RMB 168 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書主要講述了汽車自動駕駛技術概述、深度學習基礎及實踐、卷積神經網路、網路優化與正則化、目標檢測和圖像分割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踐。本書從深度學習入門基礎、深度學習高階技術，到深度學習前沿技術，層層遞進提高。本書還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、智能電動車輛專業研究生教材，也可以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行業以及其他需要了解和掌握深度學習知識的研發人員參考。
作者介紹
編者:徐國艷//王章宇//周帆|責編:何士娟//王婕
目錄
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  汽車自動駕駛技術分級及發展現狀
    1.1.1  汽車自動駕駛的分級
    1.1.2  汽車自動駕駛技術發展現狀
  1.2  汽車自動駕駛技術架構
    1.2.1  自動駕駛環境感知技術
    1.2.2  自動駕駛決策規劃技術
    1.2.3  自動駕駛控制執行技術
  1.3  汽車自動駕駛領域深度學習應用概述
    1.3.1  深度學習與傳統機器學習的區別
    1.3.2  深度學習的研究及應用進展
    1.3.3  深度學習在自動駕駛環境感知中的應用
    1.3.4  深度學習在自動駕駛決策規劃中的應用
    1.3.5  深度學習在自動駕駛控制執行中的應用
  思考題
第2章  深度學習基礎及實踐
  2.1  神經網路簡介
    2.1.1  神經網路基本概念
    2.1.2  單層感知機
    2.1.3  多層感知機
  2.2  深度學習理論基礎
    2.2.1  信號前向傳播
    2.2.2  激活函數
    2.2.3  損失函數
    2.2.4  優化方法——梯度下降法
    2.2.5  誤差反向傳播
    2.2.6  計算圖
  2.3  深度學習框架
    2.3.1  TensorFlow
    2.3.2  PyTorch
    2.3.3  PaddlePaddle
  2.4  實踐項目：DNN車輛識別項目
  2.5  實踐項目：基於DNN的自動駕駛數據集分類
  思考題
第3章  卷積神經網路理論及實踐
  3.1  全連接神經網路的問題
  3.2  卷積神經網路理論基礎
    3.2.1  卷積神經網路基本結構
    3.2.2  卷積層
    3.2.3  池化層
  3.3  典型的卷積神經網路模型
    3.3.1  LeNet
    3.3.2  AlexNet
    3.3.3  VGGNet
    3.3.4  GoogleNet
    3.3.5  ResNet
  3.4  實踐項目：CNN斑馬線檢測項目
  3.5  實踐項目：基於殘差網路的自動駕駛數據集分類

  思考題
第4章  網路優化與正則化
  4.1  優化方法
    4.1.1  梯度下降法
    4.1.2  隨機梯度下降
    4.1.3  Momentum方法
    4.1.4  Nesterov加速梯度下降
    4.1.5  自適應學習率方法
    4.1.6  自適應估計Adam方法
  4.2  局部最優點問題
  4.3  參數初始化方法
    4.3.1  參數初始化方法
    4.3.2  基於固定方差的參數初始化
    4.3.3  基於方差縮放的參數初始化
    4.3.4  正交初始化
  4.4  數據預處理
    4.4.1  數據清理
    4.4.2  數據變換
  4.5  逐層歸一化
    4.5.1  權重和數據轉換下的不變性
    4.5.2  層歸一化的基本原理和特點
  4.6  超參數優化
    4.6.1  手動超參數優化
    4.6.2  自動超參數優化
    4.6.3  超參數優化的常用工具
  4.7  網路正則化
    4.7.1  顯式函數正則化方法
    4.7.2  隨機化正則化方法
    4.7.3  縮小解空間正則化方法
  思考題
第5章  基於CNN的自動駕駛目標檢測理論與實踐
  5.1  目標檢測概述
    5.1.1  目標檢測的基本介紹
    5.1.2  目標檢測方法的發展
    5.1.3  目標檢測數據格式與評估指標
  5.2  兩階段目標檢測方法
    5.2.1  RCNN
    5.2.2  SPPNet和Fast RCNN
    5.2.3  Faster RCNN
    5.2.4  進階的兩階段演算法
  5.3  單階段目標檢測方法
    5.3.1  YOLO
    5.3.2  SSD
    5.3.3  YOLOv2
    5.3.4  RetinaNet
    5.3.5  YOLO後續版本
  5.4  Anchor Free目標檢測方法
    5.4.1  CornerNet
    5.4.2  FCOS和CenterNet
  5.5  自動駕駛目標檢測技術應用及案例介紹

    5.5.1  自動駕駛目標檢測技術應用概述
    5.5.2  自動駕駛障礙物危險等級預測案例介紹
  5.6  實踐項目：基於YOLOv5的自動駕駛數據集目標檢測
  思考題
第6章  基於CNN的自動駕駛場景圖像分割理論與實踐
  6.1  圖像分割概述
    6.1.1  圖像分割的分類
    6.1.2  圖像分割方法的發展
    6.1.3  圖像分割數據格式與評估指標
  6.2  FCN全卷積神經網路
    6.2.1  上採樣過程
    6.2.2  特徵融合
  6.3  U-Net/Seg-Net
    6.3.1  U-Net網路
    6.3.2  Seg-Net網路
  6.4  DeepLab系列
    6.4.1  DeepLab V1/V2
    6.4.2  DeepLab V3/V3+
  6.5  圖卷積網路方法
    6.5.1  圖卷積的定義
    6.5.2  Beyond Grids
    6.5.3  GloRe
    6.5.4  GINet
  6.6  自動駕駛圖像分割技術應用及案例介紹
    6.6.1  自動駕駛圖像分割技術應用概述
    6.6.2  礦區自動駕駛路面特徵提取案例介紹
  6.7  實踐項目：基於DeepLab V3+ 的自動駕駛數據集圖像分割
  思考題
第7章  循環神經網路及自動駕駛車輛換道行為預測應用
  7.1  循環神經網路概述
  7.2  長期依賴和門控RNN
    7.2.1  RNN
    7.2.2  LSTM
    7.2.3  GRU
  7.3  深層循環神經網路
    7.3.1  Deep Transition RNN
    7.3.2  Deep Output RNN
    7.3.3  Stacked RNN
  7.4  雙向循環神經網路
  7.5  結合注意力機制的RNN結構
    7.5.1  Seq2Seq
    7.5.2  增加註意力機制的Seq2Seq
  7.6  基於LSTM網路的車輛換道行為預測
    7.6.1  自動駕駛車輛換道行為預測應用概述
    7.6.2  自動駕駛車輛換道行為預測案例介紹
  7.7  實踐項目：基於循環神經網路（GRU/LSTM）的車輛軌跡預測
  思考題
第8章  基於Transformer的自動駕駛目標檢測理論與實踐
  8.1  Transformer及自動駕駛應用概述
    8.1.1  注意力機制與Transformer基本概念

    8.1.2  Transformer在自動駕駛中的應用概述
  8.2  從編碼器-解碼器結構到注意力機制
  8.3  Transformer模型
    8.3.1  Transformer的輸入和輸出
    8.3.2  Transformer的結構組件
    8.3.3  Transformer模型的訓練
  8.4  Vision Transformer模型
    8.4.1  Vision Transformer簡介
    8.4.2  Vision Transformer的整體結構
  8.5  基於Transformer的視覺和激光雷達融合目標檢測案例介紹
    8.5.1  基於圖像的特徵提取
    8.5.2  基於點雲的特徵提取
    8.5.3  基於圖像與點雲特徵的融合與檢測
    8.5.4  實驗驗證
  8.6  實踐項目：基於Vision Transformer的礦區自動駕駛場景目標檢測
  思考題
第9章  生成對抗網路及駕駛場景數據生成實踐
  9.1  生成對抗網路概述
    9.1.1  生成對抗網路基本原理
    9.1.2  生成對抗網路在自動駕駛領域中的應用概述
  9.2  生成器與判別器
  9.3  生成對抗網路的主要分支
    9.3.1  基本生成對抗網路（Vanilla GAN）
    9.3.2  條件生成對抗網路（Conditional GAN）
    9.3.3  卷積生成對抗網路（Deep Convolution GAN）
    9.3.4  增強生成對抗網路（Adversarial Autoencoder，AAE）
  9.4  生成擴散模型（Diffusion Model）
  9.5  實踐項目：基於生成對抗網路的城市駕駛場景數據生成
  思考題
第10章  強化學習理論及自動駕駛應用實踐
  10.1  強化學習概述
    10.1.1  強化學習簡介
    10.1.2  強化學習分類
    10.1.3  強化學習在自動駕駛中的應用概述
  10.2  強化學習基礎理論
    10.2.1  馬爾可夫決策過程
    10.2.2  強化學習演算法原理
  10.3  表格型強化學習方法
    10.3.1  Q-learning
    10.3.2  Sarsa
  10.4  值函數強化學習方法
    10.4.1  DQN
    10.4.2  DDQN
    10.4.3  DRQN
  10.5  策略梯度強化學習方法
    10.5.1  actor-critic
    10.5.2  PPO
    10.5.3  DDPG
    10.5.4  TD
    10.5.5  SAC

  10.6  強化學習自動駕駛領域應用案例
    10.6.1  基於DDPG的無人車智能避障案例
    10.6.2  基於強化學習的無人駕駛車輛軌跡跟蹤控制案例
  10.7  實踐項目：基於強化學習的小車爬坡
  思考題
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