编辑推荐
系统讲述了深度学习基础、高阶和前沿技术理论及工程实践。
内容简介
本书主要讲述了汽车自动驾驶技术概述、深度学习基础及实践、卷积神经网络、网络优化与正则化、目标检测和图像分割CNN模型、注意力机制与Transformer、生成对抗网络、强化学习等内容，以及深度强化学习理论及在自动驾驶领域的工程实践。
本书从深度学习入门基础、深度学习高阶技术，到深度学习前沿技术，层层递进提高。本书还基于产教融合和科教融合，将自动驾驶领域产业级工程项目和科研成果转化为教学案例及实践项目。
作者简介
编著者徐国艳，副教授、工学博士，北京市高等学校优秀专业课主讲教师，北京航空航天大学校教学名师。
章节目录
版权信息
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
深度学习及自动驾驶应用是2024年由机械工业出版社出版,作者徐国艳 编著。
得书感谢您对《深度学习及自动驾驶应用》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
