深度学习及自动驾驶应用
1. 理论性和实践性强。本书详细讲解了深度学习方法中从基础的LeNet-5到前沿的Transformer等系列模型的基本理论及工程实践方法，北京踏歌智行科技有限公司为本书提供了矿区自动驾驶工程实践案例项目。通过科教融合和产教融合，将科研成果和产业级工程项目融入教材，有利于提高学生的理论创新和工程实践能力。 2. 资源丰富，实用性强。通过配套微视频、线上实践项目实现教材的数字化功能，配套的教学资源多样化，有利于学习者展开高效率的学习，同时可充分利用信息平台的便捷性，及时把深度学习新技术和最新科研成果加入电子资源中。
作者：徐国艳 王章宇 周帆
ISBN：978-7-111-75472-5
所属丛书：车辆工程专业研究生系列教材
本书主要讲述了汽车自动驾驶技术概述、深度学习基础及实践、卷积神经网络、网络优化与正则化、目标检测和图像分割CNN模型、注意力机制与Transformer、生成对抗网络、强化学习等内容，以及深度强化学习理论及在自动驾驶领域的工程实践。本书从深度学习入门基础、深度学习高阶技术，到深度学习前沿技术，层层递进提高。本书还基于产教融合和科教融合，将自动驾驶领域产业级工程项目和科研成果转化为教学案例及实践项目。 本书可作为自动驾驶、智慧交通、智能电动车辆专业研究生教材，也可以作为高年级本科生教材；由于汽车、交通都与人们生活密切相关，因此本书也适合自动驾驶相关行业以及其他需要了解和掌握深度学习知识的研发人员参考。
同系列书
相关图书
- 图书详情
装订：平装
编辑：何士娟
开本：16
出版日期：
2024-05-22
字数：428 千字
最新版印次：1-1
最新印次时间：2024-05-22
定价：168.0
cip：2024063216
图书简介
本书主要讲述了汽车自动驾驶技术概述、深度学习基础及实践、卷积神经网络、网络优化与正则化、目标检测和图像分割CNN模型、注意力机制与Transformer、生成对抗网络、强化学习等内容，以及深度强化学习理论及在自动驾驶领域的工程实践。本书从深度学习入门基础、深度学习高阶技术，到深度学习前沿技术，层层递进提高。本书还基于产教融合和科教融合，将自动驾驶领域产业级工程项目和科研成果转化为教学案例及实践项目。 本书可作为自动驾驶、智慧交通、智能电动车辆专业研究生教材，也可以作为高年级本科生教材；由于汽车、交通都与人们生活密切相关，因此本书也适合自动驾驶相关行业以及其他需要了解和掌握深度学习知识的研发人员参考。
作者信息
徐国艳，副教授、工学博士，北京市高等学校优秀专业课主讲教师，北京航空航天大学校教学名师。
章节目录
前言
二维码使用说明及清单
第1章汽车自动驾驶技术概述1
1.1汽车自动驾驶技术分级及发展现状2
1.1.1汽车自动驾驶的分级2
1.1.2汽车自动驾驶技术发展现状4
1.2汽车自动驾驶技术架构8
1.2.1自动驾驶环境感知技术8
1.2.2自动驾驶决策规划技术10
1.2.3自动驾驶控制执行技术11
1.3汽车自动驾驶领域深度学习应用概述11
1.3.1深度学习与传统机器学习的区别11
1.3.2深度学习的研究及应用进展12
1.3.3深度学习在自动驾驶环境感知中的应用15
1.3.4深度学习在自动驾驶决策规划中的应用15
1.3.5深度学习在自动驾驶控制执行中的应用16
思考题17
第2章深度学习基础及实践18
2.1神经网络简介19
2.1.1神经网络基本概念19
2.1.2单层感知机19
2.1.3多层感知机23
2.2深度学习理论基础23
2.2.1信号前向传播24
2.2.2激活函数25
2.2.3损失函数27
2.2.4优化方法——梯度下降法28
2.2.5误差反向传播30
2.2.6计算图36
2.3深度学习框架38
2.3.1TensorFlow38
2.3.2PyTorch39
2.3.3PaddlePaddle39
2.4实践项目：DNN车辆识别项目40
2.5实践项目：基于DNN的自动驾驶数据集分类43
思考题45
第3章卷积神经网络理论及实践46
3.1全连接神经网络的问题47
3.2卷积神经网络理论基础49
3.2.1卷积神经网络基本结构49
3.2.2卷积层51
3.2.3池化层55
3.3典型的卷积神经网络模型56
3.3.1LeNet56
3.3.2AlexNet58
3.3.3VGGNet59
3.3.4GoogleNet61
3.3.5ResNet64
3.4实践项目：CNN斑马线检测项目66
3.5实践项目：基于残差网络的自动驾驶数据集分类67
思考题69
第4章网络优化与正则化71
4.1优化方法72
4.1.1梯度下降法72
4.1.2随机梯度下降73
4.1.3Momentum方法73
4.1.4Nesterov加速梯度下降74
4.1.5自适应学习率方法75
4.1.6自适应估计Adam方法75
4.2局部最优点问题76
4.3参数初始化方法77
4.3.1参数初始化方法77
4.3.2基于固定方差的参数初始化78
4.3.3基于方差缩放的参数初始化78
4.3.4正交初始化79
4.4数据预处理80
4.4.1数据清理80
4.4.2数据变换82
4.5逐层归一化83
4.5.1权重和数据转换下的不变性83
4.5.2层归一化的基本原理和特点84
4.6超参数优化84
4.6.1手动超参数优化85
4.6.2自动超参数优化85
4.6.3超参数优化的常用工具87
4.7网络正则化88
4.7.1显式函数正则化方法88
4.7.2随机化正则化方法89
4.7.3缩小解空间正则化方法90
思考题91
第5章基于CNN的自动驾驶目标检测理论与实践93
5.1目标检测概述94
5.1.1目标检测的基本介绍94
5.1.2目标检测方法的发展94
5.1.3目标检测数据格式与评估指标97
5.2两阶段目标检测方法99
5.2.1RCNN99
5.2.2SPPNet和Fast RCNN100
5.2.3Faster RCNN103
5.2.4进阶的两阶段算法105
5.3单阶段目标检测方法106
5.3.1YOLO106
5.3.2SSD108
5.3.3YOLOv2109
5.3.4RetinaNet111
5.3.5YOLO后续版本112
5.4Anchor Free目标检测方法112
5.4.1CornerNet113
5.4.2FCOS和CenterNet114
5.5自动驾驶目标检测技术应用及案例介绍116
5.5.1自动驾驶目标检测技术应用概述116
5.5.2自动驾驶障碍物危险等级预测案例介绍117
5.6实践项目：基于YOLOv5的自动驾驶数据集目标检测127
思考题129
第6章基于CNN的自动驾驶场景图像分割理论与实践131
6.1图像分割概述132
6.1.1图像分割的分类132
6.1.2图像分割方法的发展133
6.1.3图像分割数据格式与评估指标135
6.2FCN全卷积神经网络136
6.2.1上采样过程137
6.2.2特征融合139
6.3UNet/SegNet140
6.3.1UNet网络140
6.3.2SegNet网络141
6.4DeepLab系列142
6.4.1DeepLab V1/V2142
6.4.2DeepLab V3/V3+145
6.5图卷积网络方法148
6.5.1图卷积的定义148
6.5.2Beyond Grids149
6.5.3GloRe150
6.5.4GINet152
6.6自动驾驶图像分割技术应用及案例介绍153
6.6.1自动驾驶图像分割技术应用概述153
6.6.2矿区自动驾驶路面特征提取案例介绍154
6.7实践项目：基于DeepLab V3+ 的自动驾驶数据集图像分割162
思考题164
第7章循环神经网络及自动驾驶车辆换道行为预测应用165
7.1循环神经网络概述166
7.2长期依赖和门控RNN167
7.2.1RNN167
7.2.2LSTM168
7.2.3GRU170
7.3深层循环神经网络172
7.3.1Deep Transition RNN173
7.3.2Deep Output RNN173
7.3.3Stacked RNN173
7.4双向循环神经网络174
7.5结合注意力机制的RNN结构175
7.5.1Seq2Seq175
7.5.2增加注意力机制的Seq2Seq176
7.6基于LSTM网络的车辆换道行为预测177
7.6.1自动驾驶车辆换道行为预测应用概述177
7.6.2自动驾驶车辆换道行为预测案例介绍180
7.7实践项目：基于循环神经网络（GRU/LSTM）的车辆轨迹预测187
思考题188
第8章基于Transformer的自动驾驶目标检测理论与实践189
8.1Transformer及自动驾驶应用概述190
8.1.1注意力机制与Transformer基本概念190
8.1.2Transformer在自动驾驶中的应用概述191
8.2从编码器解码器结构到注意力机制192
8.3Transformer模型195
8.3.1Transformer的输入和输出195
8.3.2Transformer的结构组件196
8.3.3Transformer模型的训练201
8.4Vision Transformer模型203
8.4.1Vision Transformer简介203
8.4.2Vision Transformer的整体结构203
8.5基于Transformer的视觉和激光雷达融合目标检测案例介绍206
8.5.1基于图像的特征提取207
8.5.2基于点云的特征提取208
8.5.3基于图像与点云特征的融合与检测209
8.5.4实验验证211
8.6实践项目：基于Vision Transformer的矿区自动驾驶场景目标检测212
思考题215
第9章生成对抗网络及驾驶场景数据生成实践217
9.1生成对抗网络概述218
9.1.1生成对抗网络基本原理218
9.1.2生成对抗网络在自动驾驶领域中的应用概述219
9.2生成器与判别器220
9.3生成对抗网络的主要分支223
9.3.1基本生成对抗网络（Vanilla GAN）223
9.3.2条件生成对抗网络（Conditional GAN）224
9.3.3卷积生成对抗网络（Deep Convolution GAN）225
9.3.4增强生成对抗网络（Adversarial Autoencoder，AAE）226
9.4生成扩散模型（Diffusion Model）227
9.5实践项目：基于生成对抗网络的城市驾驶场景数据生成229
思考题232
第10章强化学习理论及自动驾驶应用实践233
10.1强化学习概述234
10.1.1强化学习简介234
10.1.2强化学习分类235
10.1.3强化学习在自动驾驶中的应用概述236
10.2强化学习基础理论238
10.2.1马尔可夫决策过程238
10.2.2强化学习算法原理239
10.3表格型强化学习方法242
10.3.1Qlearning242
10.3.2Sarsa244
10.4值函数强化学习方法247
10.4.1DQN247
10.4.2DDQN249
10.4.3DRQN250
10.5策略梯度强化学习方法252
10.5.1actorcritic252
10.5.2PPO254
10.5.3DDPG256
10.5.4TD3257
10.5.5SAC260
10.6强化学习自动驾驶领域应用案例263
10.6.1基于DDPG的无人车智能避障案例263
10.6.2基于强化学习的无人驾驶车辆轨迹跟踪控制案例267
10.7实践项目：基于强化学习的小车爬坡272
思考题280
参考文献281
二维码使用说明及清单
第1章汽车自动驾驶技术概述1
1.1汽车自动驾驶技术分级及发展现状2
1.1.1汽车自动驾驶的分级2
1.1.2汽车自动驾驶技术发展现状4
1.2汽车自动驾驶技术架构8
1.2.1自动驾驶环境感知技术8
1.2.2自动驾驶决策规划技术10
1.2.3自动驾驶控制执行技术11
1.3汽车自动驾驶领域深度学习应用概述11
1.3.1深度学习与传统机器学习的区别11
1.3.2深度学习的研究及应用进展12
1.3.3深度学习在自动驾驶环境感知中的应用15
1.3.4深度学习在自动驾驶决策规划中的应用15
1.3.5深度学习在自动驾驶控制执行中的应用16
思考题17
第2章深度学习基础及实践18
2.1神经网络简介19
2.1.1神经网络基本概念19
2.1.2单层感知机19
2.1.3多层感知机23
2.2深度学习理论基础23
2.2.1信号前向传播24
2.2.2激活函数25
2.2.3损失函数27
2.2.4优化方法——梯度下降法28
2.2.5误差反向传播30
2.2.6计算图36
2.3深度学习框架38
2.3.1TensorFlow38
2.3.2PyTorch39
2.3.3PaddlePaddle39
2.4实践项目：DNN车辆识别项目40
2.5实践项目：基于DNN的自动驾驶数据集分类43
思考题45
第3章卷积神经网络理论及实践46
3.1全连接神经网络的问题47
3.2卷积神经网络理论基础49
3.2.1卷积神经网络基本结构49
3.2.2卷积层51
3.2.3池化层55
3.3典型的卷积神经网络模型56
3.3.1LeNet56
3.3.2AlexNet58
3.3.3VGGNet59
3.3.4GoogleNet61
3.3.5ResNet64
3.4实践项目：CNN斑马线检测项目66
3.5实践项目：基于残差网络的自动驾驶数据集分类67
思考题69
第4章网络优化与正则化71
4.1优化方法72
4.1.1梯度下降法72
4.1.2随机梯度下降73
4.1.3Momentum方法73
4.1.4Nesterov加速梯度下降74
4.1.5自适应学习率方法75
4.1.6自适应估计Adam方法75
4.2局部最优点问题76
4.3参数初始化方法77
4.3.1参数初始化方法77
4.3.2基于固定方差的参数初始化78
4.3.3基于方差缩放的参数初始化78
4.3.4正交初始化79
4.4数据预处理80
4.4.1数据清理80
4.4.2数据变换82
4.5逐层归一化83
4.5.1权重和数据转换下的不变性83
4.5.2层归一化的基本原理和特点84
4.6超参数优化84
4.6.1手动超参数优化85
4.6.2自动超参数优化85
4.6.3超参数优化的常用工具87
4.7网络正则化88
4.7.1显式函数正则化方法88
4.7.2随机化正则化方法89
4.7.3缩小解空间正则化方法90
思考题91
第5章基于CNN的自动驾驶目标检测理论与实践93
5.1目标检测概述94
5.1.1目标检测的基本介绍94
5.1.2目标检测方法的发展94
5.1.3目标检测数据格式与评估指标97
5.2两阶段目标检测方法99
5.2.1RCNN99
5.2.2SPPNet和Fast RCNN100
5.2.3Faster RCNN103
5.2.4进阶的两阶段算法105
5.3单阶段目标检测方法106
5.3.1YOLO106
5.3.2SSD108
5.3.3YOLOv2109
5.3.4RetinaNet111
5.3.5YOLO后续版本112
5.4Anchor Free目标检测方法112
5.4.1CornerNet113
5.4.2FCOS和CenterNet114
5.5自动驾驶目标检测技术应用及案例介绍116
5.5.1自动驾驶目标检测技术应用概述116
5.5.2自动驾驶障碍物危险等级预测案例介绍117
5.6实践项目：基于YOLOv5的自动驾驶数据集目标检测127
思考题129
第6章基于CNN的自动驾驶场景图像分割理论与实践131
6.1图像分割概述132
6.1.1图像分割的分类132
6.1.2图像分割方法的发展133
6.1.3图像分割数据格式与评估指标135
6.2FCN全卷积神经网络136
6.2.1上采样过程137
6.2.2特征融合139
6.3UNet/SegNet140
6.3.1UNet网络140
6.3.2SegNet网络141
6.4DeepLab系列142
6.4.1DeepLab V1/V2142
6.4.2DeepLab V3/V3+145
6.5图卷积网络方法148
6.5.1图卷积的定义148
6.5.2Beyond Grids149
6.5.3GloRe150
6.5.4GINet152
6.6自动驾驶图像分割技术应用及案例介绍153
6.6.1自动驾驶图像分割技术应用概述153
6.6.2矿区自动驾驶路面特征提取案例介绍154
6.7实践项目：基于DeepLab V3+ 的自动驾驶数据集图像分割162
思考题164
第7章循环神经网络及自动驾驶车辆换道行为预测应用165
7.1循环神经网络概述166
7.2长期依赖和门控RNN167
7.2.1RNN167
7.2.2LSTM168
7.2.3GRU170
7.3深层循环神经网络172
7.3.1Deep Transition RNN173
7.3.2Deep Output RNN173
7.3.3Stacked RNN173
7.4双向循环神经网络174
7.5结合注意力机制的RNN结构175
7.5.1Seq2Seq175
7.5.2增加注意力机制的Seq2Seq176
7.6基于LSTM网络的车辆换道行为预测177
7.6.1自动驾驶车辆换道行为预测应用概述177
7.6.2自动驾驶车辆换道行为预测案例介绍180
7.7实践项目：基于循环神经网络（GRU/LSTM）的车辆轨迹预测187
思考题188
第8章基于Transformer的自动驾驶目标检测理论与实践189
8.1Transformer及自动驾驶应用概述190
8.1.1注意力机制与Transformer基本概念190
8.1.2Transformer在自动驾驶中的应用概述191
8.2从编码器解码器结构到注意力机制192
8.3Transformer模型195
8.3.1Transformer的输入和输出195
8.3.2Transformer的结构组件196
8.3.3Transformer模型的训练201
8.4Vision Transformer模型203
8.4.1Vision Transformer简介203
8.4.2Vision Transformer的整体结构203
8.5基于Transformer的视觉和激光雷达融合目标检测案例介绍206
8.5.1基于图像的特征提取207
8.5.2基于点云的特征提取208
8.5.3基于图像与点云特征的融合与检测209
8.5.4实验验证211
8.6实践项目：基于Vision Transformer的矿区自动驾驶场景目标检测212
思考题215
第9章生成对抗网络及驾驶场景数据生成实践217
9.1生成对抗网络概述218
9.1.1生成对抗网络基本原理218
9.1.2生成对抗网络在自动驾驶领域中的应用概述219
9.2生成器与判别器220
9.3生成对抗网络的主要分支223
9.3.1基本生成对抗网络（Vanilla GAN）223
9.3.2条件生成对抗网络（Conditional GAN）224
9.3.3卷积生成对抗网络（Deep Convolution GAN）225
9.3.4增强生成对抗网络（Adversarial Autoencoder，AAE）226
9.4生成扩散模型（Diffusion Model）227
9.5实践项目：基于生成对抗网络的城市驾驶场景数据生成229
思考题232
第10章强化学习理论及自动驾驶应用实践233
10.1强化学习概述234
10.1.1强化学习简介234
10.1.2强化学习分类235
10.1.3强化学习在自动驾驶中的应用概述236
10.2强化学习基础理论238
10.2.1马尔可夫决策过程238
10.2.2强化学习算法原理239
10.3表格型强化学习方法242
10.3.1Qlearning242
10.3.2Sarsa244
10.4值函数强化学习方法247
10.4.1DQN247
10.4.2DDQN249
10.4.3DRQN250
10.5策略梯度强化学习方法252
10.5.1actorcritic252
10.5.2PPO254
10.5.3DDPG256
10.5.4TD3257
10.5.5SAC260
10.6强化学习自动驾驶领域应用案例263
10.6.1基于DDPG的无人车智能避障案例263
10.6.2基于强化学习的无人驾驶车辆轨迹跟踪控制案例267
10.7实践项目：基于强化学习的小车爬坡272
思考题280
参考文献281
图书评论
