自動(dòng)駕駛：感知原理與實(shí)踐

第1章 計(jì)算機(jī)視覺與神經(jīng)網(wǎng)絡(luò) 1
1.1 人工神經(jīng)網(wǎng)絡(luò) 1
1.1.1 感知機(jī) 2
1.1.2 神經(jīng)網(wǎng)絡(luò) 2
1.2 卷積神經(jīng)網(wǎng)絡(luò) 4
1.2.1 卷積 4
1.2.2 激活函數(shù) 5
1.2.3 池化層 6
1.2.4 全連接層 6
1.3 經(jīng)典卷積神經(jīng)網(wǎng)絡(luò) 7
1.3.1 AlexNet 7
1.3.2 VGG 8
1.3.3 GoogLeNet 9
1.3.4 ResNet 11
1.3.5 DarkNet 14
1.3.6 CSPDarkNet 16
1.4 輕量化卷積神經(jīng)網(wǎng)絡(luò) 18
1.4.1 MobileNet 18
1.4.2 ShuffleNet 22
1.4.3 GhostNet 25
1.5 Vision Transformer在計(jì)算機(jī)視覺中的應(yīng)用 27
1.5.1 ViT 27
1.5.2 Swin Transformer 30
1.5.3 MobileViT 34
1.5.4 TRT-ViT 36
1.5.5 基于ResNet/MobileViT的交通標(biāo)識(shí)牌識(shí)別項(xiàng)目實(shí)踐 38
1.6 本章小結(jié) 55
第2章 目標(biāo)檢測(cè)在自動(dòng)駕駛中的應(yīng)用 56
2.1 目標(biāo)檢測(cè)簡(jiǎn)介 56
2.1.1 相關(guān)工作簡(jiǎn)介 56
2.1.2 兩階段目標(biāo)檢測(cè)算法簡(jiǎn)介 57
2.1.3 單階段目標(biāo)檢測(cè)算法簡(jiǎn)介 62
2.2 自動(dòng)駕駛中的車輛檢測(cè) 66
2.2.1 BDD100K數(shù)據(jù)集簡(jiǎn)介 66
2.2.2 YOLOv5算法的原理 67
2.2.3 基于YOLOv5的車輛檢測(cè)項(xiàng)目實(shí)踐 74
2.3 自動(dòng)駕駛中的行人檢測(cè) 81
2.3.1 YOLOX算法的原理 81
2.3.2 基于YOLOX的行人檢測(cè)項(xiàng)目實(shí)踐 90
2.4 自動(dòng)駕駛中的交通標(biāo)識(shí)牌檢測(cè) 104
2.4.1 NanoDet算法的原理 104
2.4.2 基于NanoDet的交通標(biāo)識(shí)牌檢測(cè)項(xiàng)目實(shí)踐 110
2.5 自動(dòng)駕駛中的交通信號(hào)燈的檢測(cè)與識(shí)別 125
2.5.1 YOLOv5 Lite算法的原理 125
2.5.2 基于YOLOv5 Lite的交通信號(hào)燈檢測(cè)項(xiàng)目實(shí)踐 128
2.6 3D目標(biāo)檢測(cè) 131
2.6.1 PointPillars 132
2.6.2 BEVFormer 136
2.6.3 基于OpenPCDet的3D目標(biāo)檢測(cè)項(xiàng)目實(shí)踐 139
2.7 本章小結(jié) 153?
第3章 語義分割在自動(dòng)駕駛中的應(yīng)用 154
3.1 STDC算法的原理 155
3.1.1 STDC模塊 155
3.1.2 STDC語義分割網(wǎng)絡(luò) 157
3.2 TopFormer算法的原理 160
3.2.1 Token Pyramid Module 161
3.2.2 Scale-Aware Semantics Extractor 162
3.2.3 Semantics Injection Module 162
3.2.4 Segmentation Head 163
3.3 基于TopFormer的可行駛區(qū)域分割項(xiàng)目實(shí)踐 163
3.3.1 Cityscapes數(shù)據(jù)集簡(jiǎn)介 163
3.3.2 TopFormer模型實(shí)現(xiàn) 164
3.4 本章小結(jié) 172
第4章 車道線檢測(cè)與分割 173
4.1 UNet算法的原理 174
4.2 LaneATT算法的原理 176
4.2.1 Lane的Anchor表征 177
4.2.2 基于Anchor的特征圖池化 177
4.2.3 局部注意力機(jī)制 178
4.2.4 Proposal預(yù)測(cè) 179
4.2.5 后處理 179
4.3 基于LaneATT的車道線檢測(cè)實(shí)踐 180
4.3.1 CULane數(shù)據(jù)集介紹 180
4.3.2 LaneATT實(shí)踐 180
4.4 本章小結(jié) 186
第5章 多目標(biāo)跟蹤在自動(dòng)駕駛中的應(yīng)用 187
5.1 多目標(biāo)跟蹤算法SORT的原理 187
5.2 多目標(biāo)跟蹤算法DeepSORT的原理 192
5.2.1 級(jí)聯(lián)匹配 192
5.2.2 ReID特征提取 193
5.3 多目標(biāo)跟蹤算法ByteTrack的原理 194
5.4 基于ByteTrack的多目標(biāo)跟蹤項(xiàng)目實(shí)踐 196
5.4.1 MOT16數(shù)據(jù)集 196
5.4.2 Byte匹配 197
5.5 本章小結(jié) 202
第6章 深度學(xué)習(xí)模型的落地和部署 203
6.1 常見模型部署框架介紹 203
6.1.1 TensorRT 204
6.1.2 NCNN 206
6.1.3 ONNX 206
6.2 OpenCV圖像處理操作 207
6.2.1 OpenCV基本操作 207
6.2.2 使用OpenCV 進(jìn)行圖像預(yù)處理 212
6.3 GPU編程工具之CUDA 216
6.3.1 CUDA 編程模型 217
6.3.2 CUDA 線程組織 223
6.3.3 CUDA 內(nèi)存組織 239
6.3.4 GPU 硬件組織結(jié)構(gòu) 242
6.3.5 CUDA流 245
6.4 模型部署框架之TensorRT 249
6.4.1 使用TensorRT API搭建網(wǎng)絡(luò)結(jié)構(gòu) 250
6.4.2 從ONNX文件中導(dǎo)入網(wǎng)絡(luò)結(jié)構(gòu)定義 253
6.4.3 TensorRT推理引擎的序列化與反序列化 254
6.4.4 TensorRT的推理 257
6.4.5 INT8量化 259
6.4.6 TensorRT的插件開發(fā) 261
6.5 TensorRT 模型部署實(shí)例 263
6.5.1 使用 OpenCV 進(jìn)行前處理 264
6.5.2 使用CUDA加速前處理 265
6.5.3 執(zhí)行推理操作 268
6.5.4 后處理 270
6.6 NCNN模型部署 273
6.6.1 NCNN部署流程 273
6.6.2 使用NCNN部署NanoDet 276
6.7 本章小結(jié) 284
參考文獻(xiàn) 285