掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
湖南省志(1978-2002)?鐵路志
-
>
公路車寶典(ZINN的公路車維修與保養(yǎng)秘籍)
-
>
晶體管電路設(shè)計(下)
-
>
基于個性化設(shè)計策略的智能交通系統(tǒng)關(guān)鍵技術(shù)
-
>
德國克虜伯與晚清火:貿(mào)易與仿制模式下的技術(shù)轉(zhuǎn)移
-
>
花樣百出:貴州少數(shù)民族圖案填色
-
>
識木:全球220種木材圖鑒
買過本商品的人還買了
基于深度學習的視頻車道線檢測技術(shù) 版權(quán)信息
- ISBN：9787122452078
- 條形碼：9787122452078 ; 978-7-122-45207-8
- 裝幀：平裝
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
基于深度學習的視頻車道線檢測技術(shù) 本書特色
（1）本書的目標是為讀者提供一個全面的、深入的了解基于深度學習的視頻車道線檢測技術(shù)。（2）本書從基礎(chǔ)概念開始，逐步深入研究模型、數(shù)據(jù)集、訓練策略和實際應(yīng)用，展開介紹多種深度學習模型，包括卷積神經(jīng)網(wǎng)絡(luò)、Swin Transformer以及它們的變種和組合。（3）本書還探討該領(lǐng)域的前沿研究，如多模態(tài)感知、不確定性建模、端到端自動駕駛系統(tǒng)等，這些內(nèi)容將有助于讀者更好地理解車道線檢測技術(shù)的發(fā)展趨勢和未來應(yīng)用。
基于深度學習的視頻車道線檢測技術(shù) 內(nèi)容簡介
在當今的自動駕駛和智能交通系統(tǒng)領(lǐng)域，視頻車道線檢測技術(shù)扮演著至關(guān)重要的角色。本書將帶您深入探索這一領(lǐng)域，揭示如何使用深度學習技術(shù)來實現(xiàn)精確、魯棒和實時的車道線檢測。本書全面系統(tǒng)地介紹了基于深度學習的視頻車道線檢測技術(shù)，包括基于深度學習的車道線檢測理論基礎(chǔ)、基于Swin Transformer的車道線檢測技術(shù)、基于深度混合網(wǎng)絡(luò)的連續(xù)多幀駕駛場景的魯棒車道線檢測技術(shù)、基于深度學習的視頻車道線檢測技術(shù)、基于MMA-Net的輕量級視頻實例車道線檢測技術(shù)、基于記憶模板的多幀實例車道線檢測技術(shù)、未來展望與發(fā)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(shù)人員參考，亦可供高等院校相關(guān)專業(yè)師生參考使用。
基于深度學習的視頻車道線檢測技術(shù) 目錄
第1章 緒論 001
1.1 研究背景及意義 002
1.1.1 研究背景 002
1.1.2 研究意義 003
1.2 國內(nèi)外研究現(xiàn)狀 005
1.2.1 基于圖像處理的車道線檢測技術(shù) 007
1.2.2 基于CNN的車道線檢測技術(shù) 008
1.3 本書結(jié)構(gòu)概覽 013 第2章 基于深度學習的車道線檢測理論基礎(chǔ) 015
2.1 卷積神經(jīng)網(wǎng)絡(luò) 016
2.1.1 卷積層 016
2.1.2 池化層 017
2.1.3 激活函數(shù) 017
2.1.4 全連接層 018
2.1.5 批量歸一化層 019
2.1.6 損失函數(shù) 019
2.2 卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用 020
2.2.1 目標檢測 021
2.2.2 圖像分割 021
2.3 車道線檢測 023
2.3.1 基于傳統(tǒng)方法的車道線檢測 023
2.3.2 基于深度學習的車道線檢測 024
2.4 數(shù)據(jù)集 027
2.4.1 交通場景數(shù)據(jù)集 028
2.4.2 車道線檢測數(shù)據(jù)集 032
2.4.3 數(shù)據(jù)集總結(jié) 036
2.5 數(shù)據(jù)預(yù)處理 038
2.6 性能評估 039
本章小結(jié) 040 第3章 基于Swin Transformer的車道線檢測技術(shù) 041
3.1 系統(tǒng)概述 042
3.2 網(wǎng)絡(luò)設(shè)計 044
3.2.1 車道邊緣建議網(wǎng)絡(luò) 044
3.2.2 車道線定位網(wǎng)絡(luò) 048
3.3 訓練策略 049
3.3.1 車道邊緣建議網(wǎng)絡(luò) 049
3.3.2 車道線定位網(wǎng)絡(luò) 050
3.4 實驗和結(jié)果 052
3.4.1 數(shù)據(jù)集 052
3.4.2 超參數(shù)設(shè)置和硬件環(huán)境 053
3.4.3 性能評估 053
3.4.4 測試結(jié)果可視化 057
本章小結(jié) 065 第4章 基于深度混合網(wǎng)絡(luò)的連續(xù)多幀駕駛場景的魯棒車道線檢測技術(shù) 067
4.1 系統(tǒng)概述 068
4.2 網(wǎng)絡(luò)設(shè)計 069
4.2.1 優(yōu)化的MAE網(wǎng)絡(luò) 069
4.2.2 掩碼技術(shù) 070
4.2.3 基于MAE架構(gòu)的編解碼器網(wǎng)絡(luò) 070
4.3 訓練策略 077
4.4 實驗和結(jié)果 078
4.4.1 數(shù)據(jù)集 078
4.4.2 超參數(shù)設(shè)置和硬件環(huán)境 080
4.4.3 實驗評估和比較 080
4.4.4 消融實驗 094
4.4.5 結(jié)果與討論 095
本章小結(jié) 096 第5章 基于深度學習的視頻車道線檢測技術(shù) 097
5.1 時空記憶網(wǎng)絡(luò) 098
5.1.1 Key與Value空間的嵌入張量 098
5.1.2 STM網(wǎng)絡(luò)結(jié)構(gòu) 099
5.2 多級記憶聚合模塊 101
5.3 Siamese網(wǎng)絡(luò) 104
5.3.1 深度相似性學習 104
5.3.2 全卷積暹羅網(wǎng)絡(luò) 105
5.4 自適應(yīng)模板匹配 106
5.4.1 目標的嵌入向量 106
5.4.2 自適應(yīng)模板匹配與更新 107
本章小結(jié) 110 第6章 基于MMA-Net的輕量級視頻實例車道線檢測技術(shù) 111
6.1 FMMA-Net網(wǎng)絡(luò)結(jié)構(gòu) 112
6.2 記憶幀編碼器設(shè)計 112
6.2.1 ResNet-18-FA網(wǎng)絡(luò)結(jié)構(gòu) 115
6.2.2 融合與注意力模塊 115
6.3 查詢幀編碼器設(shè)計 118
6.3.1 STDC網(wǎng)絡(luò)結(jié)構(gòu)與分析 119
6.3.2 G-STDC網(wǎng)絡(luò)結(jié)構(gòu) 123
6.3.3 全局上下文模塊 124
6.4 網(wǎng)絡(luò)的損失函數(shù) 125
6.4.1 實例車道線存在預(yù)測損失函數(shù) 125
6.4.2 實例車道線的mIoU損失函數(shù) 125
6.4.3 總損失函數(shù) 126
6.5 實驗結(jié)果與分析 126
6.5.1 VIL-100數(shù)據(jù)集 126
6.5.2 圖像級評價標準 128
6.5.3 實驗環(huán)境搭建與訓練 130
6.5.4 定量實驗結(jié)果與分析 130
6.5.5 定性實驗結(jié)果與分析 131
6.5.6 融合與注意力模塊的有效性 131
6.5.7 全局上下文模塊的有效性 133
本章小結(jié) 136 第7章 基于記憶模板的多幀實例車道線檢測技術(shù) 137
7.1 網(wǎng)絡(luò)整體結(jié)構(gòu) 138
7.2 記憶模板的工作原理 138
7.3 記憶模板的結(jié)構(gòu)設(shè)計 141
7.3.1 全局動態(tài)特征 141
7.3.2 局部動態(tài)特征 142
7.4 模板匹配與時空記憶中的固有誤差 145
7.4.1 模板匹配中的固有誤差分析 145
7.4.2 時空記憶中的固有誤差分析 146
7.4.3 記憶固有誤差傳播 146
7.5 多目標轉(zhuǎn)移矩陣損失函數(shù) 149
7.6 實驗準備 151
7.6.1 TuSimple數(shù)據(jù)集 151
7.6.2 CULane數(shù)據(jù)集 152
7.6.3 視頻級車道線評價標準 152
7.6.4 實驗環(huán)境搭建 154
7.6.5 訓練結(jié)果 155
7.7 消融實驗結(jié)果與分析 156
7.7.1 記憶的有效性 157
7.7.2 融合與注意力模塊的有效性 158
7.7.3 記憶模板的有效性 158
7.7.4 多目標轉(zhuǎn)移矩陣的有效性 159
7.8 對比實驗結(jié)果與分析 161
7.8.1 在VIL-100中定量分析與對比 161
7.8.2 在VIL-100中定性分析與對比 162
7.8.3 在TuSimple中進行定量與定性分析與對比 164
7.8.4 在CULane中進行定量與定性分析與對比 165
7.9 實車實驗 168
7.9.1 實驗裝置介紹 168
7.9.2 相機標定模型搭建 170
7.9.3 相機標定實驗 172
7.9.4 實時視頻檢測 174
本章小結(jié) 178 第8章 未來展望與發(fā)展趨勢 179
8.1 深度學習技術(shù)的進一步應(yīng)用 180
8.2 智能交通系統(tǒng)的發(fā)展前景 181
8.3 車道線檢測技術(shù)的創(chuàng)新方向 182 參考文獻 183
1.1 研究背景及意義 002
1.1.1 研究背景 002
1.1.2 研究意義 003
1.2 國內(nèi)外研究現(xiàn)狀 005
1.2.1 基于圖像處理的車道線檢測技術(shù) 007
1.2.2 基于CNN的車道線檢測技術(shù) 008
1.3 本書結(jié)構(gòu)概覽 013 第2章 基于深度學習的車道線檢測理論基礎(chǔ) 015
2.1 卷積神經(jīng)網(wǎng)絡(luò) 016
2.1.1 卷積層 016
2.1.2 池化層 017
2.1.3 激活函數(shù) 017
2.1.4 全連接層 018
2.1.5 批量歸一化層 019
2.1.6 損失函數(shù) 019
2.2 卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用 020
2.2.1 目標檢測 021
2.2.2 圖像分割 021
2.3 車道線檢測 023
2.3.1 基于傳統(tǒng)方法的車道線檢測 023
2.3.2 基于深度學習的車道線檢測 024
2.4 數(shù)據(jù)集 027
2.4.1 交通場景數(shù)據(jù)集 028
2.4.2 車道線檢測數(shù)據(jù)集 032
2.4.3 數(shù)據(jù)集總結(jié) 036
2.5 數(shù)據(jù)預(yù)處理 038
2.6 性能評估 039
本章小結(jié) 040 第3章 基于Swin Transformer的車道線檢測技術(shù) 041
3.1 系統(tǒng)概述 042
3.2 網(wǎng)絡(luò)設(shè)計 044
3.2.1 車道邊緣建議網(wǎng)絡(luò) 044
3.2.2 車道線定位網(wǎng)絡(luò) 048
3.3 訓練策略 049
3.3.1 車道邊緣建議網(wǎng)絡(luò) 049
3.3.2 車道線定位網(wǎng)絡(luò) 050
3.4 實驗和結(jié)果 052
3.4.1 數(shù)據(jù)集 052
3.4.2 超參數(shù)設(shè)置和硬件環(huán)境 053
3.4.3 性能評估 053
3.4.4 測試結(jié)果可視化 057
本章小結(jié) 065 第4章 基于深度混合網(wǎng)絡(luò)的連續(xù)多幀駕駛場景的魯棒車道線檢測技術(shù) 067
4.1 系統(tǒng)概述 068
4.2 網(wǎng)絡(luò)設(shè)計 069
4.2.1 優(yōu)化的MAE網(wǎng)絡(luò) 069
4.2.2 掩碼技術(shù) 070
4.2.3 基于MAE架構(gòu)的編解碼器網(wǎng)絡(luò) 070
4.3 訓練策略 077
4.4 實驗和結(jié)果 078
4.4.1 數(shù)據(jù)集 078
4.4.2 超參數(shù)設(shè)置和硬件環(huán)境 080
4.4.3 實驗評估和比較 080
4.4.4 消融實驗 094
4.4.5 結(jié)果與討論 095
本章小結(jié) 096 第5章 基于深度學習的視頻車道線檢測技術(shù) 097
5.1 時空記憶網(wǎng)絡(luò) 098
5.1.1 Key與Value空間的嵌入張量 098
5.1.2 STM網(wǎng)絡(luò)結(jié)構(gòu) 099
5.2 多級記憶聚合模塊 101
5.3 Siamese網(wǎng)絡(luò) 104
5.3.1 深度相似性學習 104
5.3.2 全卷積暹羅網(wǎng)絡(luò) 105
5.4 自適應(yīng)模板匹配 106
5.4.1 目標的嵌入向量 106
5.4.2 自適應(yīng)模板匹配與更新 107
本章小結(jié) 110 第6章 基于MMA-Net的輕量級視頻實例車道線檢測技術(shù) 111
6.1 FMMA-Net網(wǎng)絡(luò)結(jié)構(gòu) 112
6.2 記憶幀編碼器設(shè)計 112
6.2.1 ResNet-18-FA網(wǎng)絡(luò)結(jié)構(gòu) 115
6.2.2 融合與注意力模塊 115
6.3 查詢幀編碼器設(shè)計 118
6.3.1 STDC網(wǎng)絡(luò)結(jié)構(gòu)與分析 119
6.3.2 G-STDC網(wǎng)絡(luò)結(jié)構(gòu) 123
6.3.3 全局上下文模塊 124
6.4 網(wǎng)絡(luò)的損失函數(shù) 125
6.4.1 實例車道線存在預(yù)測損失函數(shù) 125
6.4.2 實例車道線的mIoU損失函數(shù) 125
6.4.3 總損失函數(shù) 126
6.5 實驗結(jié)果與分析 126
6.5.1 VIL-100數(shù)據(jù)集 126
6.5.2 圖像級評價標準 128
6.5.3 實驗環(huán)境搭建與訓練 130
6.5.4 定量實驗結(jié)果與分析 130
6.5.5 定性實驗結(jié)果與分析 131
6.5.6 融合與注意力模塊的有效性 131
6.5.7 全局上下文模塊的有效性 133
本章小結(jié) 136 第7章 基于記憶模板的多幀實例車道線檢測技術(shù) 137
7.1 網(wǎng)絡(luò)整體結(jié)構(gòu) 138
7.2 記憶模板的工作原理 138
7.3 記憶模板的結(jié)構(gòu)設(shè)計 141
7.3.1 全局動態(tài)特征 141
7.3.2 局部動態(tài)特征 142
7.4 模板匹配與時空記憶中的固有誤差 145
7.4.1 模板匹配中的固有誤差分析 145
7.4.2 時空記憶中的固有誤差分析 146
7.4.3 記憶固有誤差傳播 146
7.5 多目標轉(zhuǎn)移矩陣損失函數(shù) 149
7.6 實驗準備 151
7.6.1 TuSimple數(shù)據(jù)集 151
7.6.2 CULane數(shù)據(jù)集 152
7.6.3 視頻級車道線評價標準 152
7.6.4 實驗環(huán)境搭建 154
7.6.5 訓練結(jié)果 155
7.7 消融實驗結(jié)果與分析 156
7.7.1 記憶的有效性 157
7.7.2 融合與注意力模塊的有效性 158
7.7.3 記憶模板的有效性 158
7.7.4 多目標轉(zhuǎn)移矩陣的有效性 159
7.8 對比實驗結(jié)果與分析 161
7.8.1 在VIL-100中定量分析與對比 161
7.8.2 在VIL-100中定性分析與對比 162
7.8.3 在TuSimple中進行定量與定性分析與對比 164
7.8.4 在CULane中進行定量與定性分析與對比 165
7.9 實車實驗 168
7.9.1 實驗裝置介紹 168
7.9.2 相機標定模型搭建 170
7.9.3 相機標定實驗 172
7.9.4 實時視頻檢測 174
本章小結(jié) 178 第8章 未來展望與發(fā)展趨勢 179
8.1 深度學習技術(shù)的進一步應(yīng)用 180
8.2 智能交通系統(tǒng)的發(fā)展前景 181
8.3 車道線檢測技術(shù)的創(chuàng)新方向 182 參考文獻 183
展開全部
書友推薦
- >
姑媽的寶刀
- >
上帝之肋:男人的真實旅程
- >
李白與唐代文化
- >
山海經(jīng)
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
伯納黛特,你要去哪(2021新版)
- >
羅曼·羅蘭讀書隨筆-精裝
- >
中國歷史的瞬間
本類暢銷
