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电子资源中。
售 价：¥
纸质售价：¥124.80购买纸书
6.3
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
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
1.2 汽车自动驾驶技术架构
1.3 汽车自动驾驶领域深度学习应用概述
思考题
第2章 深度学习基础及实践
2.1 神经网络简介
2.2 深度学习理论基础
2.3 深度学习框架
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
3.3 典型的卷积神经网络模型
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
4.2 局部最优点问题
4.3 参数初始化方法
4.4 数据预处理
4.5 逐层归一化
4.6 超参数优化
4.7 网络正则化
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
5.2 两阶段目标检测方法
5.3 单阶段目标检测方法
5.4 Anchor Free目标检测方法
5.5 自动驾驶目标检测技术应用及案例介绍
5.6 实践项目：基于YOLOv5的自动驾驶数据集目标检测
思考题
第6章 基于CNN的自动驾驶场景图像分割理论与实践
6.1 图像分割概述
6.2 FCN全卷积神经网络
6.3 U-Net/Seg-Net
6.4 DeepLab系列
6.5 图卷积网络方法
6.6 自动驾驶图像分割技术应用及案例介绍
6.7 实践项目：基于DeepLabV3+的自动驾驶数据集图像分割
思考题
第7章 循环神经网络及自动驾驶车辆换道行为预测应用
7.1 循环神经网络概述
7.2 长期依赖和门控RNN
7.3 深层循环神经网络
7.4 双向循环神经网络
7.5 结合注意力机制的RNN结构
7.6 基于LSTM网络的车辆换道行为预测
7.7 实践项目：基于循环神经网络（GRU/LSTM）的车辆轨迹预测
思考题
第8章 基于Transformer的自动驾驶目标检测理论与实践
8.1 Transformer及自动驾驶应用概述
8.2 从编码器-解码器结构到注意力机制
8.3 Transformer模型
8.4 Vision Transformer模型
8.5 基于Transformer的视觉和激光雷达融合目标检测案例介绍
8.6 实践项目：基于VisionTransformer的矿区自动驾驶场景目标检测
思考题
第9章 生成对抗网络及驾驶场景数据生成实践
9.1 生成对抗网络概述
9.2 生成器与判别器
9.3 生成对抗网络的主要分支
9.4 生成扩散模型（Diffusion Model）
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
思考题
第10章 强化学习理论及自动驾驶应用实践
10.1 强化学习概述
10.2 强化学习基础理论
10.3 表格型强化学习方法
10.4 值函数强化学习方法
10.5 策略梯度强化学习方法
10.6 强化学习自动驾驶领域应用案例
10.7 实践项目：基于强化学习的小车爬坡
思考题
参考文献
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
