基於深度學習的視頻車道線檢測技術 時培成 9787122452078 【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：化學工業
物品所在地：中國大陸
原出版社：化學工業
NT$814
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
| *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，以到貨標的為正確資訊。 印行年月：202406*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：基於深度學習的視頻車道線檢測技術 ISBN：9787122452078 出版社：化學工業 著編譯者：時培成 頁數：190 所在地：中國大陸 *此為代購商品 書號：1638320 可大量預訂，請先連絡。 內容簡介 在當今的自動駕駛和智能交通系統領域，視頻車道線檢測技術扮演著至關重要的角色。本書將帶您深入探索這一領域，揭示如何使用深度學習技術來實現精確、魯棒和實時的車道線檢測。 本書全面系統地介紹了基於深度學習的視頻車道線檢測技術，包括基於深度學習的車道線檢測理論基礎、基於Swin Transformer的車道線檢測技術、基於深度混合網路的連續多幀駕駛場景的魯棒車道線檢測技術、基於深度學習的視頻車道線檢測技術、基於MMA-Net的輕量級視頻實例車道線檢測技術、基於記憶模板的多幀實例車道線檢測技術、未來展望與發展趨勢等。 本書可供從事自動駕駛、交通工程、計算機視覺、深度學習等方面的技術人員參考，亦可供高等院校相關專業師生參考使用。目錄 第1章 緒論1 1 研究背景及意義 1 1 1 研究背景 1 1 2 研究意義 1 2 國內外研究現狀 1 2 1 基於圖像處理的車道線檢測技術 1 2 2 基於CNN的車道線檢測技術 1 3 本書結構概覽 第2章 基於深度學習的車道線檢測理論基礎 2 1 卷積神經網路 2 1 1 卷積層 2 1 2 池化層 2 1 3 激活函數 2 1 4 全連接層 2 1 5 批量歸一化層 2 1 6 損失函數 2 2 卷積神經網路的應用 2 2 1 目標檢測 2 2 2 圖像分割 2 3 車道線檢測 2 3 1 基於傳統方法的車道線檢測 2 3 2 基於深度學習的車道線檢測 2 4 數據集 2 4 1 交通場景數據集 2 4 2 車道線檢測數據集 2 4 3 數據集總結 2 5 數據預處理 2 6 性能評估 本章小結 第3章 基於Swin Transformer的車道線檢測技術 3 1 系統概述 3 2 網路設計 3 2 1 車道邊緣建議網路 3 2 2 車道線定位網路 3 3 訓練策略 3 3 1 車道邊緣建議網路 3 3 2 車道線定位網路 3 4 實驗和結果 3 4 1 數據集 3 4 2 超參數設置和硬體環境 3 4 3 性能評估 3 4 4 測試結果可視化 本章小結 第4章 基於深度混合網路的連續多幀駕駛場景的魯棒車道線檢測技術 4 1 系統概述 4 2 網路設計 4 2 1 優化的MAE網路 4 2 2 掩碼技術 4 2 3 基於MAE架構的編解碼器網路 4 3 訓練策略 4 4 實驗和結果 4 4 1 數據集 4 4 2 超參數設置和硬體環境 4 4 3 實驗評估和比較 4 4 4 消融實驗 4 4 5 結果與討論 本章小結 第5章 基於深度學習的視頻車道線檢測技術 5 1 時空記憶網路 5 1 1 Key與Value空間的嵌入張量 5 1 2 STM網路結構 5 2 多級記憶聚合模塊 5 3 Siamese網路 5 3 1 深度相似性學習 5 3 2 全卷積暹羅網路 5 4 自適應模板匹配 5 4 1 目標的嵌入向量 5 4 2 自適應模板匹配與更新 本章小結 第6章 基於MMA-Net的輕量級視頻實例車道線檢測技術 6 1 FMMA-Net網路結構 6 2 記憶幀編碼器設計 6 2 1 ResNet-18-FA網路結構 6 2 2 融合與注意力模塊 6 3 查詢幀編碼器設計 6 3 1 STDC網路結構與分析 6 3 2 G-STDC網路結構 6 3 3 全局上下文模塊 6 4 網路的損失函數 6 4 1 實例車道線存在預測損失函數 6 4 2 實例車道線的mIoU損失函數 6 4 3 總損失函數 6 5 實驗結果與分析 6 5 1 VIL-100數據集 6 5 2 圖像級評價標準 6 5 3 實驗環境搭建與訓練 6 5 4 定量實驗結果與分析 6 5 5 定性實驗結果與分析 6 5 6 融合與注意力模塊的有效性 6 5 7 全局上下文模塊的有效性 本章小結 第7章 基於記憶模板的多幀實例車道線檢測技術 7 1 網路整體結構 7 2 記憶模板的工作原理 7 3 記憶模板的結構設計 7 3 1 全局動態特徵 7 3 2 局部動態特徵 7 4 模板匹配與時空記憶中的固有誤差 7 4 1 模板匹配中的固有誤差分析 7 4 2 時空記憶中的固有誤差分析 7 4 3 記憶固有誤差傳播 7 5 多目標轉移矩陣損失函數 7 6 實驗準備 7 6 1 TuSimple數據集 7 6 2 CULane數據集 7 6 3 視頻級車道線評價標準 7 6 4 實驗環境搭建 7 6 5 訓練結果 7 7 消融實驗結果與分析 7 7 1 記憶的有效性 7 7 2 融合與注意力模塊的有效性 7 7 3 記憶模板的有效性 7 7 4 多目標轉移矩陣的有效性 7 8 對比實驗結果與分析 7 8 1 在VIL-100中定量分析與對比 7 8 2 在VIL-100中定性分析與對比 7 8 3 在TuSimple中進行定量與定性分析與對比 7 8 4 在CULane中進行定量與定性分析與對比 7 9 實車實驗 7 9 1 實驗裝置介紹 7 9 2 相機標定模型搭建 7 9 3 相機標定實驗 7 9 4 實時視頻檢測 本章小結 第8章 未來展望與發展趨勢 8 1 深度學習技術的進一步應用 8 2 智能交通系統的發展前景 8 3 車道線檢測技術的創新方向 參考文獻 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。 |
