PyTorch自動駕駛視覺感知演算法實戰 劉斯坦 9787111740278 【台灣高等教育出版社】
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：機械工業
物品所在地：中國大陸
原出版社：機械工業
NT$757
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *數量非實際在台庫存 *完成訂單後正常情形下約兩周可抵台。 *本賣場提供之資訊僅供參考，以到貨標的為實際資訊。 印行年月：202401*若逾兩年請先於私訊洽詢存貨情況，謝謝。 台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。 書名：PyTorch自動駕駛視覺感知演算法實戰 ISBN：9787111740278 出版社：機械工業 著編譯者：劉斯坦 頁數：264 所在地：中國大陸 *此為代購商品 書號：1610967 可大量預訂，請先連絡。 內容簡介 本書全面介紹了自動駕駛系統中深度學習視覺感知的相關知識，包括深度神經網路和深度卷積神經網路的基本理論，深入講解了自動駕駛中常用的目標檢測、語義、實例分割和單目深度估計四種視覺感知任務。 本書對自動駕駛工程實踐中很重要但經常被忽略的知識進行了全面總結，包括多任務模型的損失平衡、Ubuntu操作系統、Anaconda和Docker等環境配置工具、C++開發環境搭建、神經網路壓縮、模型導出和量化、TensorRT推理引擎等和部署相關的技術。 本書各個任務都由PyTorch實現，模型部署的代碼則提供C++實現，並附帶一個中等規模的自動駕駛數據集用於示例。所有代碼都公開在Github公開源碼倉庫上，很多代碼可以直接用於生產環境，且提供了商業友好的代碼許可證。 本書適用於具備基本機器學習知識，有志於從事自動駕駛演算法工作的學生，也適用於剛邁入職場，面對各種陌生技術無所適從的初級工程師。同時，本書也可供中高級演算法工程師作為案頭常備書籍，以便查閱。作者簡介 劉斯坦，本科畢業於上海交通大學，碩士畢業於德國慕尼黑工業大學。深度學習資深工程師，從事無人駕駛智能感知系統的研發工作。相關領域從業超過十年，負責無人駕駛系統中多個神經網路模型在量產車的落地。對深度學習的各個領域不但有著全景式的理解，還具備從數學理論到部署產品線的知識縱深。目錄 前言第1章 卷積神經網路的理論基礎 1 1 神經網路回顧 1 1 1 神經網路模型 1 1 2 神經網路的訓練——反向傳播演算法 1 1 3 神經網路的擬合能力和泛化能力 1 2 什麼是卷積神經網路 1 2 1 什麼是卷積運算 1 2 2 通道（Channel）和三維卷積 1 2 3 為什麼需要深度網路 1 2 4 什麼是批次（Batch） 1 3 卷積神經網路的組成細節 1 3 1 卷積神經網路的輸入層 1 3 2 神經網路的輸出層 1 3 3 卷積層和轉置卷積層 1 3 4 激活層 1 3 5 歸一化層 1 3 6 上採樣層和下採樣層 1 3 7 池化層 1 3 8 跳躍、空間注意力等特殊的連接方式 1 3 9 構建一個複雜的卷積神經網路 1 4 卷積神經網路的訓練 1 4 1 常用損失函數 1 4 2 常用的正則化方法 1 4 3 常用的優化器 1 4 4 常用的訓練學習率調整方法 第2章 深度學習開發環境及常用工具庫 2 1 硬體和操作系統 2 1 1 顯卡 2 1 2 操作系統 2 2 Python開發環境管理 2 2 1 Anaconda虛擬環境的管理 2 2 2 Python的包管理器pip 2 3 常用的Python包 2 3 1 NumPy——Python科學計算庫 2 3 2 OpenCV——Python圖像處理庫 2 4 GPU加速的深度學習和科學計算庫PyTorch 2 4 1 GPU加速的科學計算功能 2 4 2 PyTorch的自動求導功能 2 4 3 PyTorch的優化器 2 4 4 PyTorch的數據載入 2 4 5 用PyTorch搭建神經網路 2 4 6 常用的輔助工具 2 4 7 搭建一個神經網路並進行訓練 第3章 神經網路的特徵編碼器——主幹網路 3 1 什麼是神經網路的主幹網路 3 1 1 神經網路的元結構 3 1 2 神經網路的主幹網路及有監督預訓練 3 1 3 主幹網路的自監督預訓練 3 2 流行的主幹網路 3 2 1 簡單直白的主幹網路——類VGG網路 3 2 2 最流行的主幹網路——ResNet系列網路 3 2 3 速度更快的輕量級主幹網路——MobileNet系列 3 2 4 自由縮放的主幹網路——RegNet系列 3 3 使用TorchVision模型庫提供的主幹網路 3 3 1 構建和載入模型 3 3 2 修改主幹網路獲取多尺度特徵圖 3 3 3 不同主幹網路和預訓練模型的訓練對比 第4章 目標檢測網路——識別車輛 4 1 目標檢測基本概念 4 1 1 Anchor 4 1 2 NMS 4 1 3 目標檢測網路的類別 4 2 以Faster RCNN為代表的兩階段檢測方法 4 2 1 RPN網路 4 2 2 ROI網路 4 2 3 使用TorchVision模型庫中的Faster RCNN 4 3 以Yolo為代表的一階段檢測方法 4 3 1 YoloV3的整體結構 4 3 2 Yolo的訓練 4 3 3 類Yolo的一階段檢測網路 4 4 以CenterNet為代表的Anchor-Free方法 4 4 1 CenterNet的整體結構 4 4 2 用高斯模糊和Focal Loss訓練CenterNet 4 4 3 YoloX網路 4 5 Yolo的PyTorch實現 4 5 1 樣本選擇演算法的實現 4 5 2 Yolo層的實現 4 5 3 構造損失函數 4 5 4 NMS的實現 第5章 語義分割與實例分割——逐像素分類 5 1 語義分割 5 1 1 語義分割的網路構架和損失函數 5 1 2 評價語義分割質量的指標 5 1 3 使用OHEM和類別權重解決樣本不均衡問題 5 1 4 語義分割的關鍵——信息融合 5 2 使用PyTorch訓練一個語義分割模型 5 2 1 語義分割的數據載入 5 2 2 載入Lite R-ASPP語義分割模型進行訓練 5 2 3 計算混淆矩陣 5 2 4 計算mIoU 5 3 實例分割——分辨行人和車輛 5 3 1 以Mask-RCNN為代表的兩階段實例分割方法 5 3 2 以SOLO為代表的單階段實例分割方法 5 3 3 基於CondInst的半監督實例分割方法BoxInst 5 4 安裝及使用OpenMMLab——以MMDetection為例 5 4 1 安裝和配置MMDetection 5 4 2 MMDetection介紹 5 4 3 SOLO代碼解析 第6章 單目深度估計——重建三維世界 6 1 計算機三維視覺基礎知識 6 1 1 相機模型 6 1 2 什麼是深度圖 6 1 3 相機運動模型 6 2 單目深度估計的網路構架 6 2 1 深度圖預測網路 6 2 2 基於相對視差的深度圖輸出編碼 6 2 3 基於有序回歸的深度圖輸出編碼 6 2 4 相機運動估計網路 6 3 無監督學習的機制 6 3 1 無監督學習系統構架 6 3 2 將深度圖反投影為點雲的PyTorch實現 6 3 3 從相鄰幀採集RGB值並重投影的PyTorch實現 6 3 4 無監督單目深度推斷的損失函數 6 4 可能存在的問題及解決方案 6 4 1 用圖像梯度圖解決邊緣模糊問題 6 4 2 用圖像一致性掩膜解決移動物體問題 6 4 3 用速度損失解決尺度問題 第7章 通過控制網路結構提高速度和精度 7 1 使用多任務網路構架提高速度和精度 7 1 1 多任務網路 詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
