深度学习及自动驾驶应用

封面

版权页

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 汽车自动驾驶技术分级及发展现状

1.1.1 汽车自动驾驶的分级

1.1.2 汽车自动驾驶技术发展现状

1.2 汽车自动驾驶技术架构

1.2.1 自动驾驶环境感知技术

1.2.2 自动驾驶决策规划技术

1.2.3 自动驾驶控制执行技术

1.3 汽车自动驾驶领域深度学习应用概述

1.3.1 深度学习与传统机器学习的区别

1.3.2 深度学习的研究及应用进展

1.3.3 深度学习在自动驾驶环境感知中的应用

1.3.4 深度学习在自动驾驶决策规划中的应用

1.3.5 深度学习在自动驾驶控制执行中的应用

思考题

第2章 深度学习基础及实践

2.1 神经网络简介

2.1.1 神经网络基本概念

2.1.2 单层感知机

2.1.3 多层感知机

2.2 深度学习理论基础

2.2.1 信号前向传播

2.2.2 激活函数

2.2.3 损失函数

2.2.4 优化方法——梯度下降法

2.2.5 误差反向传播

2.2.6 计算图

2.3 深度学习框架

2.3.1 TensorFlow

2.3.2 PyTorch

2.3.3 PaddlePaddle

2.4 实践项目：DNN车辆识别项目

2.5 实践项目：基于DNN的自动驾驶数据集分类

思考题

第3章 卷积神经网络理论及实践

3.1 全连接神经网络的问题

3.2 卷积神经网络理论基础

3.2.1 卷积神经网络基本结构

3.2.2 卷积层

3.2.3 池化层

3.3 典型的卷积神经网络模型

3.3.1 LeNet

3.3.2 AlexNet

3.3.3 VGGNet

3.3.4 GoogleNet

3.3.5 ResNet

3.4 实践项目：CNN斑马线检测项目

3.5 实践项目：基于残差网络的自动驾驶数据集分类

思考题

第4章 网络优化与正则化

4.1 优化方法

4.1.1 梯度下降法

4.1.2 随机梯度下降

4.1.3 Momentum方法

4.1.4 Nesterov加速梯度下降

4.1.5 自适应学习率方法

4.1.6 自适应估计Adam方法

4.2 局部最优点问题

4.3 参数初始化方法

4.3.1 参数初始化方法

4.3.2 基于固定方差的参数初始化

4.3.3 基于方差缩放的参数初始化

4.3.4 正交初始化

4.4 数据预处理

4.4.1 数据清理

4.4.2 数据变换

4.5 逐层归一化

4.5.1 权重和数据转换下的不变性

4.5.2 层归一化的基本原理和特点

4.6 超参数优化

4.6.1 手动超参数优化

4.6.2 自动超参数优化

4.6.3 超参数优化的常用工具

4.7 网络正则化

4.7.1 显式函数正则化方法

4.7.2 随机化正则化方法

4.7.3 缩小解空间正则化方法

思考题

第5章 基于CNN的自动驾驶目标检测理论与实践

5.1 目标检测概述

5.1.1 目标检测的基本介绍

5.1.2 目标检测方法的发展

5.1.3 目标检测数据格式与评估指标

5.2 两阶段目标检测方法

5.2.1 RCNN

5.2.2 SPPNet和Fast RCNN

5.2.3 Faster RCNN

5.2.4 进阶的两阶段算法

5.3 单阶段目标检测方法

5.3.1 YOLO

5.3.2 SSD

5.3.3 YOLOv2

5.3.4 RetinaNet

5.3.5 YOLO后续版本

5.4 Anchor Free目标检测方法

5.4.1 CornerNet