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

電腦視覺和深度學習在自動駕駛汽車中的應用/智能網聯汽車機器學習系列

  • 作者：(印)蘇米特·蘭詹//S.森塔米拉蘇|責編:何士娟//張翠翠|譯者:程誠//吳洪狀
  • 出版社：機械工業
  • ISBN：9787111761112
  • 出版日期：2024/08/01
  • 裝幀：平裝
  • 頁數：229
人民幣：RMB 158 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    電腦視覺以及深度學習技術構成了智能駕駛甚至自動駕駛的技術基礎。隨著智能駕駛技術的逐漸普及，電腦視覺以及深度學習技術在汽車行業內受到了越來越多的關注。本書從自動駕駛技術的歷史和發展講起，內容圍繞電腦視覺和深度學習技術逐漸深入，介紹了其在自動駕駛中涉及的諸如學習模型、OpenCV技術、CNN改進圖像分類器、語義分割等技術，並介紹了它們在自動駕駛領域的應用實踐和實際工程案例。
    本書可作為自動駕駛、人工智慧、汽車與製造等行業的工程技術人員的學習參考書，也可作為高等院校相關專業師生的參考書。對自動駕駛和智能汽車產業感興趣的愛好者和產業研究員而言，本書也具有相當高的參考價值。
作者介紹
(印)蘇米特·蘭詹//S.森塔米拉蘇|責編:何士娟//張翠翠|譯者:程誠//吳洪狀
目錄
前言
第1部分  深度學習和自動駕駛汽車基礎
  第1章  自動駕駛汽車基礎
    1.1  自動駕駛汽車簡介
      1.1.1  自動駕駛汽車的優勢
      1.1.2  自動駕駛汽車的進展
    1.2  當前部署中的挑戰
      1.2.1  建立安全系統
      1.2.2  硬體
      1.2.3  軟體編程
      1.2.4  高速互聯網
    1.3  自動駕駛等級
    1.4  深度學習和電腦視覺在自動駕駛汽車中的應用
    1.5  總結
  第2章  深入了解深度神經網路
    2.1  深入了解神經網路
    2.2  理解神經元和感知器
    2.3  人工神經網路的工作原理
    2.4  理解激活函數
      2.4.1  闕值函數
      2.4.2  Sigmoid函數
      2.4.3  整流線性函數
      2.4.4  雙曲正切激活函數
    2.5  神經網路的損失函數
    2.6  優化器
    2.7  理解超參數
      2.7.1  模型訓練超參數
      2.7.2  網路架構超參數
    2.8  TensorFlow與Keras的對比
    2.9  總結
  第3章  使用Keras實現深度學習模型
    3.1  開始使用Keras
      3.1.1  Keras的優點
      3.1.2  Keras的工作原理
      3.1.3  構建Keras模型
      3.1.4  Keras執行類型
    3.2  Keras深度學習
    3.3  構建第一個深度學習模型
      3.3.1  Auto-Mpg數據集介紹
      3.3.2  導入數據
      3.3.3  分割數據
      3.3.4  標準化數據
      3.3.5  構建和編譯模型
      3.3.6  訓練模型
      3.3.7  預測新的、未知的模型
      3.3.8  評估模型的性能
      3.3.9  保存和載入模型
    3.4  總結
第2部分  深度學習和電腦視覺
  第4章  自動駕駛汽車中的電腦視覺

    4.1  電腦視覺介紹
      4.1.1  電腦視覺的挑戰
      4.1.2  人工眼睛與人眼的對比
    4.2  圖像的基本構建塊
      4.2.1  圖像的數字表示
      4.2.2  從RGB到灰度圖像的轉換
      4.2.3  道路標記檢測
    4.3  顏色空間技術
      4.3.1  RGB顏色空間
      4.3.2  HSV顏色空間
      4.3.3  顏色空間操作
    4.4  卷積介紹
    4.5  邊緣檢測和梯度計算
      4.5.1  Sobel的介紹
      4.5.2  Laplacian邊緣檢測器的介紹
      4.5.3  Canny邊緣檢測
    4.6  圖像變換
      4.6.1  仿射變換
      4.6.2  投影變換
      4.6.3  圖像旋轉
      4.6.4  圖像平移
      4.6.5  圖像縮放
      4.6.6  透視變換
      4.6.7  圖像裁剪、腐蝕和膨脹
      4.6.8  使用掩模提取感興趣區域
      4.6.9  霍夫（Hough）變換
    4.7  總結
  第5章  使用OpenCV查找道路標誌
    5.1  在圖像中查找道路標誌
      5.1.1  使用OpenCV載入圖像
      5.1.2  將圖像轉換為灰度圖像
      5.1.3  平滑圖像
      5.1.4  Canny邊緣檢測
      5.1.5  使用掩模提取感興趣區域
      5.1.6  應用bitwise_and
      5.1.7  應用霍夫變換
      5.1.8  優化檢測到的道路標誌
    5.2  在視頻中檢測道路標誌
    5.3  總結
  第6章  使用CNN改進圖像分類器
    6.1  電腦格式中的圖像
      6.1.1  CNN的必要性
      6.1.2  CNN背後的直覺
    6.2  CNN介紹
      6.2.1  為什麼需要3D層
      6.2.2  理解卷積層
      6.2.3  深度、步長和零填充
      6.2.4  ReLU
      6.2.5  全連接層
    6.3  手寫數字識別介紹

      6.3.1  問題和目標
      6.3.2  載入數據
      6.3.3  重塑數據
      6.3.4  數據的轉換
      6.3.5  對輸出進行獨熱編碼
      6.3.6  構建和編譯模型
      6.3.7  訓練模型
      6.3.8  驗證損失與訓練損失
      6.3.9  驗證與測試準確度
      6.3.10  保存模型
      6.3.11  可視化模型架構
      6.3.12  混淆矩陣
      6.3.13  準確度報告
    6.4  總結
  第7章  使用深度學習進行道路標誌檢測
    7.1  數據集概述
      7.1.1  數據集結構
      7.1.2  圖像格式
    7.2  載入數據
    7.3  圖像探索
    7.4  數據準備
    7.5  模型訓練
    7.6  模型準確度
    7.7  總結
第3部分  自動駕駛汽車中的語義分割
  第8章  語義分割的原理和基礎
    8.1  語義分割簡介
    8.2  語義分割架構的理解
    8.3  不同語義分割架構的概述
      8.3.1  U-Net
      8.3.2  SegNet
      8.3.3  PSPNet
      8.3.4  DeepLabv3+
      8.3.5  E-Net
    8.4  總結
  第9章  語義分割的實現
    9.1  圖像中的語義分割
    9.2  視頻中的語義分割
    9.3  總結
第4部分  高級功能實現
  第10章  基於深度學習的行為克隆
    10.1  回歸神經網路
    10.2  使用深度學習進行行為克隆
      10.2.1  數據收集
      10.2.2  數據準備
      10.2.3  模型開發
      10.2.4  評估模擬器
    10.3  總結
  第11章  基於OpenCV和深度學習的車輛檢測
    11.1  YOLO特點

    11.2  YOLO損失函數
    11.3  YOLO架構
    11.4  YOLO目標檢測的實現
      11.4.1  導入庫
      11.4.2  圖像處理函數
      11.4.3  類別獲取函數
      11.4.4  邊界框繪製函數
      11.4.5  圖像目標檢測函數
      11.4.6  視頻目標檢測函數
      11.4.7  導入YOLO
      11.4.8  檢測圖像中的物體
      11.4.9  檢測視頻中的物體
    11.5  總結
  第12章  未來工作及感測器融合
    12.1  自動駕駛汽車感測器
    12.2  感測器融合簡介
    12.3  卡爾曼濾波器
    12.4  總結

  • 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