新書推薦：
《
量子网络的构建与应用
》
售價：HK$
109.8
《
拍电影的热知识：126部影片里的创作技巧（全彩插图版）
》
售價：HK$
109.8
《
大唐名城：长安风华冠天下
》
售價：HK$
87.4
《
情绪传染（当代西方社会心理学名著译丛）
》
售價：HK$
88.5
《
中国年画 1950-1990 THE NEW CHINA: NEW YEAR PICTURE 英文版
》
售價：HK$
236.0
《
革命与反革命：社会文化视野下的民国政治（近世中国丛书）
》
售價：HK$
93.2
《
画楼：《北洋画报》忆旧（年轮丛书）
》
售價：HK$
337.5
《
大国脊梁：漫画版
》
售價：HK$
80.2
|
| 編輯推薦： |
1. 理论性和实践性强。本书详细讲解了深度学习方法中从基础的LeNet-5到前沿的Transformer等系列模型的基本理论及工程实践方法，北京踏歌智行科技有限公司为本书提供了矿区自动驾驶工程实践案例项目。通过科教融合和产教融合，将科研成果和产业级工程项目融入教材，有利于提高学生的理论创新和工程实践能力。
2. 资源丰富，实用性强。通过配套微视频、线上实践项目实现教材的数字化功能，配套的教学资源多样化，有利于学习者展开高效率的学习，同时可充分利用信息平台的便捷性，及时把深度学习新技术和最新科研成果加入电子资源中。
3. 本书可作为自动驾驶、智慧交通、智能电动车辆专业研究生教材，也可以作为高年级本科生教材；由于汽车、交通都与人们生活密切相关，因此本书也适合自动驾驶相关行业以及其他需要了解和掌握深度学习知识的研发人员参考。
|
| 內容簡介： |
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。
本书可作为自动驾驶、智慧交通、智能电动车辆专业研究生教材，也可以作为高年级本科生教材；由于汽车、交通都与人们生活密切相关，因此本书也适合自动驾驶相关行业以及其他需要了解和掌握深度学习知识的研发人员参考。
|
| 關於作者： |
|
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。
|
| 目錄：
|
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
1.1汽车自动驾驶技术分级及发展现状2
1.1.1汽车自动驾驶的分级2
1.1.2汽车自动驾驶技术发展现状4
1.2汽车自动驾驶技术架构8
1.2.1自动驾驶环境感知技术8
1.2.2自动驾驶决策规划技术10
1.2.3自动驾驶控制执行技术11
1.3汽车自动驾驶领域深度学习应用概述11
1.3.1深度学习与传统机器学习的区别11
1.3.2深度学习的研究及应用进展12
1.3.3深度学习在自动驾驶环境感知中的应用15
1.3.4深度学习在自动驾驶决策规划中的应用15
1.3.5深度学习在自动驾驶控制执行中的应用16
思考题17
第2章深度学习基础及实践18
2.1神经网络简介19
2.1.1神经网络基本概念19
2.1.2单层感知机19
2.1.3多层感知机23
2.2深度学习理论基础23
2.2.1信号前向传播24
2.2.2激活函数25
2.2.3损失函数27
2.2.4优化方法——梯度下降法28
2.2.5误差反向传播30
2.2.6计算图36
2.3深度学习框架38
2.3.1TensorFlow38
2.3.2PyTorch39
2.3.3PaddlePaddle39
2.4实践项目：DNN车辆识别项目40
2.5实践项目：基于DNN的自动驾驶数据集分类43
思考题45
第3章卷积神经网络理论及实践46
3.1全连接神经网络的问题47
3.2卷积神经网络理论基础49
3.2.1卷积神经网络基本结构49
3.2.2卷积层51
3.2.3池化层55
3.3典型的卷积神经网络模型56
3.3.1LeNet56
3.3.2AlexNet58
3.3.3VGGNet59
3.3.4GoogleNet61
3.3.5ResNet64
3.4实践项目：CNN斑马线检测项目66
3.5实践项目：基于残差网络的自动驾驶数据集分类67
思考题69
第4章网络优化与正则化71
4.1优化方法72
4.1.1梯度下降法72
4.1.2随机梯度下降73
4.1.3Momentum方法73
4.1.4Nesterov加速梯度下降74
4.1.5自适应学习率方法75
4.1.6自适应估计Adam方法75
4.2局部最优点问题76
4.3参数初始化方法77
4.3.1参数初始化方法77
4.3.2基于固定方差的参数初始化78
4.3.3基于方差缩放的参数初始化78
4.3.4正交初始化79
4.4数据预处理80
4.4.1数据清理80
4.4.2数据变换82
4.5逐层归一化83
4.5.1权重和数据转换下的不变性83
4.5.2层归一化的基本原理和特点84
4.6超参数优化84
4.6.1手动超参数优化85
4.6.2自动超参数优化85
4.6.3超参数优化的常用工具87
4.7网络正则化88
4.7.1显式函数正则化方法88
4.7.2随机化正则化方法89
4.7.3缩小解空间正则化方法90
思考题91
第5章基于CNN的自动驾驶目标检测理论与实践93
5.1目标检测概述94
5.1.1目标检测的基本介绍94
5.1.2目标检测方法的发展94
5.1.3目标检测数据格式与评估指标97
5.2两阶段目标检测方法99
5.2.1RCNN99
5.2.2SPPNet和Fast RCNN100
5.2.3Faster RCNN103
5.2.4进阶的两阶段算法105
5.3单阶段目标检测方法106
5.3.1YOLO106
5.3.2SSD108
5.3.3YOLOv2109
5.3.4RetinaNet111
5.3.5YOLO后续版本112
5.4Anchor Free目标检测方法112
5.4.1CornerNet113
5.4.2FCOS和CenterNet114
5.5自动驾驶目标检测技术应用及案例介绍116
5.5.1自动驾驶目标检测技术应用概述116
5.5.2自动驾驶障碍物危险等级预测案例介绍117
5.6实践项目：基于YOLOv5的自动驾驶数据集目标检测127
思考题129
第6章基于CNN的自动驾驶场景图像分割理论与实践131
6.1图像分割概述132
6.1.1图像分割的分类132
6.1.2图像分割方法的发展133
6.1.3图像分割数据格式与评估指标135
6.2FCN全卷积神经网络136
6.2.1上采样过程137
6.2.2特征融合139
6.3UNet/SegNet140
6.3.1UNet网络140
6.3.2SegNet网络141
6.4DeepLab系列142
6.4.1DeepLab V1/V2142
6.4.2DeepLab V3/V3 145
6.5图卷积网络方法148
6.5.1图卷积的定义148
6.5.2Beyond Grids149
6.5.3GloRe150
6.5.4GINet152
6.6自动驾驶图像分割技术应用及案例介绍153
6.6.1自动驾驶图像分割技术应用概述153
6.6.2矿区自动驾驶路面特征提取案例介绍154
6.7实践项目：基于DeepLab V3 的自动驾驶数据集图像分割162
思考题164
第7章循环神经网络及自动驾驶车辆换道行为预测应用165
7.1循环神经网络概述166
7.2长期依赖和门控RNN167
7.2.1RNN167
7.2.2LSTM168
7.2.3GRU170
7.3深层循环神经网络172
7.3.1Deep Transition RNN173
7.3.2Deep Output RNN173
7.3.3Stacked RNN173
7.4双向循环神经网络174
7.5结合注意力机制的RNN结构175
7.5.1Seq2Seq175
7.5.2增加注意力机制的Seq2Seq176
7.6基于LSTM网络的车辆换道行为预测177
7.6.1自动驾驶车辆换道行为预测应用概述177
7.6.2自动驾驶车辆换道行为预测案例介绍180
7.7实践项目：基于循环神经网络（GRU/LSTM）的车辆轨迹预测187
思考题188
第8章基于Transformer的自动驾驶目标检测理论与实践189
8.1Transformer及自动驾驶应用概述190
8.1.1注意力机制与Transformer基本概念190
8.1.2Transformer在自动驾驶中的应用概述191
8.2从编码器解码器结构到注意力机制192
8.3Transformer模型195
8.3.1Transformer的输入和输出195
8.3.2Transformer的结构组件196
8.3.3Transformer模型的训练201
8.4Vision Transf
|
| 內容試閱：
|
2024年政府工作报告指出，要大力推进现代化产业体系建设，加快发展新质生产力；充分发挥创新主导作用，以科技创新推动产业创新，加快推进新型工业化，提高全要素生产率，不断塑造发展新动能新优势，促进社会生产力实现新的跃升。
在汽车行业，新质生产力体现在“新四化”，自动驾驶不仅可以提高交通效率，降低事故风险，还能为用户带来全新的出行体验。无人运输凭借无人化、自动化为劳动者重新定义生产工具。无人运输将极大降低生产过程中的人力成本，替代驾驶人的工作，同时为劳动者提供远程驾驶、云控调度员等新技术岗位，促进劳动力升级，从而解放生产力。汽车自动驾驶主要涉及环境感知、决策规划、控制执行三大领域，其发展是人工智能、5G通信、激光雷达、高精地图等多项技术协同发力的结果。自动驾驶加速推进，以深度学习为代表的人工智能是主要驱动力。深度学习算法模型不断完善，让自动驾驶的判断力和理解力更强，可以助力智能汽车完成更实时准确的环境感知与定位、决策与规划、控制与执行等任务，提高汽车行驶的安全性。
本书以培养学生利用深度学习方法创新性解决自动驾驶领域工程实践能力为教学目标，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，内容包括自动驾驶技术概述、深度学习基础及实践、卷积神经网络、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、深度强化学习理论等。另外，本书还基于产教融合和科教融合，将自动驾驶及相关领域产业级工程项目和科研成果融入教材实践应用案例。本书主要特点有：
（1）理论性和实践性强。本书详细讲解了深度学习方法中从基础的LeNet5到前沿的Transformer等系列模型的基本理论及工程实践方法，通过科教融合和产教融合，将科研成果和产业级工程项目融入教材，有利于提高学生的理论创新和工程实践能力。
（2）资源丰富，实用性强。通过配套微视频、线上实践项目实现教材的数字化功能，配套的教学资源多样化，有利于学习者展开高效率的学习，同时可充分利用信息平台的便捷性，及时把深度学习新技术和最新科研成果加入电子资源中。
非常感谢北京踏歌智行科技有限公司为本书提供了矿区自动驾驶工程实践案例项目。本书编写过程中还得到了北京航空航天大学研究生蔡捍、王昊、王闯、刘目卓、刘明达、刘文韬、夏启的帮助和支持，在此向他们表示深切的谢意。
本书在编写过程中参阅了大量教材、文件、网站资料及有关参考文献，并引用一些论述和例文，部分参考书目列于书后，但由于篇幅有限，还有一些参考书目未能一一列出，在此谨向相关作者表示谢忱和歉意。
由于编者水平有限，书中不足之处在所难免，诚望广大读者不吝赐教，提出宝贵意见。
编著者
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
