新書推薦:
![乌程汉简萃编](http://103.6.6.66/upload/mall/productImages/24/26/9787547933510.jpg)
《
乌程汉简萃编
》
售價:NT$
510.0
![资治通鉴:帝王的镜子](http://103.6.6.66/upload/mall/productImages/24/26/9787559486417.jpg)
《
资治通鉴:帝王的镜子
》
售價:NT$
302.0
![从中亚古道到新大陆:哈佛汉学史话(在哈佛见证百年学术史的风云变迁)](http://103.6.6.66/upload/mall/productImages/24/27/9787532189960.jpg)
《
从中亚古道到新大陆:哈佛汉学史话(在哈佛见证百年学术史的风云变迁)
》
售價:NT$
354.0
![贞观政要:天可汗的时代](http://103.6.6.66/upload/mall/productImages/24/26/9787559486424.jpg)
《
贞观政要:天可汗的时代
》
售價:NT$
302.0
![左传:诸侯争盟记](http://103.6.6.66/upload/mall/productImages/24/26/9787559486448.jpg)
《
左传:诸侯争盟记
》
售價:NT$
250.0
![财之道丛书·特许公司600年:从冒险公司到东印度公司](http://103.6.6.66/upload/mall/productImages/24/28/9787213114960.jpg)
《
财之道丛书·特许公司600年:从冒险公司到东印度公司
》
售價:NT$
406.0
![看见不同](http://103.6.6.66/upload/mall/productImages/24/27/9787521762921.jpg)
《
看见不同
》
售價:NT$
307.0
![以毒为药:古代中国的医疗、文化与政治](http://103.6.6.69/upload/mall/productImages/y24/7/9787545220063.jpg)
《
以毒为药:古代中国的医疗、文化与政治
》
售價:NT$
411.0
|
內容簡介: |
交通环境感知是实现智能驾驶的关键,我国驾驶环境的复杂性和不确定性给环境感知带来很多困难。《视觉智能与交通环境感知》从车外环境和车内环境两方面对交通环境感知的相关问题进行了研究。《视觉智能与交通环境感知》共11章,介绍了神经网络及其优化方法的基础知识,并进一步介绍了基于深度神经网络的驾驶环境感知中的关键问题,包括交通场景中的行人、地面标志线、交通信号灯及车辆的目标检测任务,以及车内驾驶员的疲劳驾驶检测任务,涉及的主要技术包括数字图像处理、深度神经网络、视觉认知与计算等方面。
|
目錄:
|
目录“信息科学技术学术著作丛书”序前言第1章 绪论11.1 人工智能11.2 视觉智能11.3 交通场景环境感知21.3.1 交通场景的定义21.3.2 交通场景中的视觉认知21.4 本章小结3参考文献3第2章 神经网络52.1 感知机52.2 基于梯度下降的学习方法62.3 隐层单元82.4 反向传播算法92.5 本章小结10参考文献10第3章 卷积神经网络113.1 网络的基本部件113.1.1 卷积层113.1.2 池化层123.1.3 激活函数133.1.4 全连接层143.2 **网络模型143.2.1 Alex-Net网络模型143.2.2 VGG-Nets网络模型153.2.3 GoogLeNet网络模型173.2.4 残差网络模型183.3 **目标检测网络193.3.1 基于two-stage的算法203.3.2 基于one-stage的算法213.4 本章小结23参考文献23第4章 深度神经网络的优化方法254.1 深度网络优化中的问题254.1.1 局部极小值254.1.2 高原、鞍点和其他平坦区域264.1.3 梯度消失和梯度爆炸284.1.4 优化的理论限制284.2 随机梯度下降294.3 自适应学习率算法294.4 优化策略304.5 本章小结32参考文献32第5章 深度神经网络模型压缩345.1 深度网络模型压缩的研究现状345.2 网络模型的压缩策略375.2.1 低秩近似375.2.2 量化与二值网络385.2.3 剪枝与裁剪385.3 基于残差结构的轻量化卷积模型395.3.1 残差网络及其变体395.3.2 轻量化卷积模型的设计415.3.3 实验及结果分析465.4 面向轻量化模型的知识迁移方法485.4.1 基于注意力的知识迁移模型485.4.2 面向轻量化模型的知识迁移方法505.4.3 实验结果及分析515.5 驾驶环境下的实时目标检测方法555.5.1 基于深度学习的目标检测模型565.5.2 基于知识迁移的实时目标检测方法605.5.3 实验及结果分析625.5.4 真实道路数据集测试635.6 本章小结66参考文献66第6章 行人检测706.1 行人检测数据集716.2 评估方法726.3 基于YOLO多尺度空间特征融合的道路区域行人检测方法736.3.1 多尺度特征提取模块736.3.2 基于注意力机制的特征融合模块746.3.3 特征分类和坐标回归756.3.4 模型训练和验证766.4 多阶段级联网络行人检测算法796.4.1 多阶段级联网络算法概述796.4.2 **阶段网络设计806.4.3 第二阶段网络设计856.4.4 第三阶段网络设计876.5 网络模型训练与测试886.5.1 困难样本挖掘886.5.2 损失函数设计896.5.3 模型训练与测试配置906.6 多阶段级联网络模型的有效性分析916.6.1 不同算法性能对比916.6.2 各模块消融实验946.7 本章小结96参考文献97第7章 地面标志线检测1007.1 地面标志定义1007.2 地面标志结构化处理1017.2.1 逆透视变换1027.2.2 车道线自适应拟合处理1047.2.3 地面指示箭头结构化处理1097.3 基于传统算法的地面标志检测1107.3.1 车道线检测1117.3.2 斑马线检测1217.3.3 停止线检测1247.4 基于深度学习的地面标志检测1267.4.1 基于编码器-解码器的算法1277.4.2 基于整合上下文信息的算法1287.5 基于改进Mask R-CNN实例分割网络的地面标志检测方法1307.5.1 Mask R-CNN实例分割网络架构1307.5.2 Mask R-CNN实例分割网络的改进及优化1337.5.3 基于改进Mask R-CNN的分割实验结果1337.6 地面标志检测综合实验结果及应用1347.6.1 实验数据集介绍1347.6.2 评定标准1357.6.3 实验结果及分析1367.7 本章小结141参考文献141第8章 交通信号检测1458.1 交通信号介绍1458.2 基于特征融合的交通信号检测1518.2.1 算法结构设计1518.2.2 实验结果与分析1548.3 基于深度级联网络的交通标识检测1568.3.1 级联网络结构1568.3.2 精准分类网络1578.3.3 实验结果分析与参赛测试证明1618.4 本章小结163参考文献163第9章 前方车辆位置监测1659.1 基于Faster R-CNN的2D车辆检测1659.1.1 整体框架结构1659.1.2 RPN结构与锚点生成1659.1.3 尺度归一化1669.1.4 损失函数1679.1.5 测试结果1679.2 基于关键点回归网络的3D车辆检测1699.2.1 算法整体流程1699.2.2 关键点回归1699.2.3 回归网络1709.2.4 损失函数1719.2.5 3D包围框估计1719.2.6 测试结果1749.3 基于车辆下边沿和逆透视变换的车距测量1759.3.1 算法整体流程1759.3.2 车辆下边沿及关键点计算1759.3.3 逆透视变换模型1769.4 本章小结180参考文献180第10章 疲劳驾驶检测18110.1 驾驶员的人脸检测18110.1.1 人脸检测概述18110.1.2 基于级联卷积神经网络的人脸检测18210.1.3 基于ShuffleNet改进的MTCNN人脸检测模型18510.1.4 实验结果与分析18810.2 驾驶员去人脸遮挡的人脸关键点检测18910.2.1 基于生成对抗网络与自编码器的人脸去遮挡18910.2.2 基于深度回归网络与去人脸遮挡网络的人脸关键点检测19110.2.3 实验结果与分析19210.3 本章小结196参考文献197第11章 视觉智能在驾驶安全中的应用19811.1 行人意图分析19811.1.1 行人意图预测的难点19811.1.2 行人与周围环境的交互19811.1.3 行人与其他人的交互19911.1.4 行人与本车的交互19911.1.5 意图预测方法19911.2 车道偏离检测19911.3 驾驶员疲劳检测系统设计和实现20011.4 本章小结201参考文献202
|
|