深度學習及自動駕駛應用 徐國豔 王章宇 周帆 9787111754725 【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$1,068
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：202404*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：深度學習及自動駕駛應用 ISBN：9787111754725 出版社：機械工業 著編譯者：徐國豔 王章宇 周帆 頁數：285 所在地：中國大陸 *此為代購商品 書號：1639006 可大量預訂，請先連絡。 內容簡介 本書主要講述了汽車自動駕駛技術概述、深度學習基礎及實踐、卷積神經網路、網路優化與正則化、目標檢測和圖像分割CNN模型、注意力機制與Transformer、生成對抗網路、強化學習等內容，以及深度強化學習理論及在自動駕駛領域的工程實踐。本書從深度學習入門基礎、深度學習高階技術，到深度學習前沿技術，層層遞進提高。本書還基於產教融合和科教融合，將自動駕駛領域產業級工程項目和科研成果轉化為教學案例及實踐項目。 本書可作為自動駕駛、智慧交通、智能電動車輛專業研究生教材，也可以作為高年級本科生教材；由於汽車、交通都與人們生活密切相關，因此本書也適合自動駕駛相關行業以及其他需要了解和掌握深度學習知識的研發人員參考。目錄 前言二維碼使用說明及清單 第1章 汽車自動駕駛技術概述 1 1 汽車自動駕駛技術分級及發展現狀 1 1 1 汽車自動駕駛的分級 1 1 2 汽車自動駕駛技術發展現狀 1 2 汽車自動駕駛技術架構 1 2 1 自動駕駛環境感知技術 1 2 2 自動駕駛決策規劃技術 1 2 3 自動駕駛控制執行技術 1 3 汽車自動駕駛領域深度學習應用概述 1 3 1 深度學習與傳統機器學習的區別 1 3 2 深度學習的研究及應用進展 1 3 3 深度學習在自動駕駛環境感知中的應用 1 3 4 深度學習在自動駕駛決策規劃中的應用 1 3 5 深度學習在自動駕駛控制執行中的應用 思考題 第2章 深度學習基礎及實踐 2 1 神經網路簡介 2 1 1 神經網路基本概念 2 1 2 單層感知機 2 1 3 多層感知機 2 2 深度學習理論基礎 2 2 1 信號前向傳播 2 2 2 激活函數 2 2 3 損失函數 2 2 4 優化方法——梯度下降法 2 2 5 誤差反向傳播 2 2 6 計算圖 2 3 深度學習框架 2 3 1 TensorFlow 2 3 2 PyTorch 2 3 3 PaddlePaddle 2 4 實踐項目：DNN車輛識別項目 2 5 實踐項目：基於DNN的自動駕駛數據集分類 思考題 第3章 卷積神經網路理論及實踐 3 1 全連接神經網路的問題 3 2 卷積神經網路理論基礎 3 2 1 卷積神經網路基本結構 3 2 2 卷積層 3 2 3 池化層 3 3 典型的卷積神經網路模型 3 3 1 LeNet 3 3 2 AlexNet 3 3 3 VGGNet 3 3 4 GoogleNet 3 3 5 ResNet 3 4 實踐項目：CNN斑馬線檢測項目 3 5 實踐項目：基於殘差網路的自動駕駛數據集分類 思考題 第4章 網路優化與正則化 4 1 優化方法 4 1 1 梯度下降法 4 1 2 隨機梯度下降 4 1 3 Momentum方法 4 1 4 Nesterov加速梯度下降 4 1 5 自適應學習率方法 4 1 6 自適應估計Adam方法 4 2 局部最優點問題 4 3 參數初始化方法 4 3 1 參數初始化方法 4 3 2 基於固定方差的參數初始化 4 3 3 基於方差縮放的參數初始化 4 3 4 正交初始化 4 4 數據預處理 4 4 1 數據清理 4 4 2 數據變換 4 5 逐層歸一化 4 5 1 權重和數據轉換下的不變性 4 5 2 層歸一化的基本原理和特點 4 6 超參數優化 4 6 1 手動超參數優化 4 6 2 自動超參數優化 4 6 3 超參數優化的常用工具 4 7 網路正則化 4 7 1 顯式函數正則化方法 4 7 2 隨機化正則化方法 4 7 3 縮小解空間正則化方法 思考題 第5章 基於CNN的自動駕駛目標檢測理論與實踐 5 1 目標檢測概述 5 1 1 目標檢測的基本介紹 5 1 2 目標檢測方法的發展 5 1 3 目標檢測數據格式與評估指標 5 2 兩階段目標檢測方法 5 2 1 RCNN 5 2 2 SPPNet和Fast RCNN 5 2 3 Faster RCNN 5 2 4 進階的兩階段演算法 5 3 單階段目標檢測方法 5 3 1 YOLO 5 3 2 SSD 5 3 3 YOLOv2 5 3 4 RetinaNet 5 3 5 YOLO後續版本 5 4 Anchor Free目標檢測方法 5 4 1 CornerNet 5 4 2 FCOS和CenterNet 5 5 自動駕駛目標檢測技術應用及案例介紹 5 5 1 自動駕駛目標檢測技術應用概述 5 5 2 自動駕駛障礙物危險等級預測案例介紹 5 6 實踐項目：基於YOLOv5的自動駕駛數據集目標檢測 思考題 第6章 基於CNN的自動駕駛場景圖像分割理論與實踐 6 1 圖像分割概述 6 1 1 圖像分割的分類 6 1 2 圖像分割方法的發展 6 1 3 圖像分割數據格式與評估指標 6 2 FCN全卷積神經網路 6 2 1 上採樣過程 6 2 2 特徵融合 6 3 U-Net/Seg-Net 6 3 1 U-Net網路 6 3 2 Seg-Net網路 6 4 DeepLab系列 6 4 1 DeepLab V1/V2 6 4 2 DeepLab V3/V3+ 6 5 圖卷積網路方法 6 5 1 圖卷積的定義 6 5 2 Beyond Grids 6 5 3 GloRe 6 5 4 GINet 6 6 自動駕駛圖像分割技術應用及案例介紹 6 6 1 自動駕駛圖像分割技術應用概述 6 6 2 礦區自動駕駛路面特徵提取案例介紹 6 7 實踐項目：基於DeepLab V3+ 的自動駕駛數據集圖像分割 思考題 第7章 循環神經網路及自動駕駛車輛換道行為預測應用 7 1 循環神經網路概述 7 2 長期依賴和門控RNN 7 2 1 RNN 7 2 2 LSTM 7 2 3 GRU 7 3 深層循環神經網路 7 3 1 Deep Transition RNN 7 3 2 Deep Output RNN 7 3 3 Stacked RNN 7 4 雙向循環神經網路 7 5 結合注意力機制的RNN結構 7 5 1 Seq2Seq 7 5 2 增加註意力機制的Seq2Seq 7 6 基於LSTM網路的車輛換道行為預測 7 6 1 自動駕駛車輛換道 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。 |
