中圖網(wǎng)小程序
一鍵登錄
更方便
本類五星書更多>
-
>
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)
-
>
花樣百出:貴州少數(shù)民族圖案填色
-
>
山東教育出版社有限公司技術(shù)轉(zhuǎn)移與技術(shù)創(chuàng)新歷史叢書中國高等技術(shù)教育的蘇化(1949—1961)以北京地區(qū)為中心
-
>
鐵路機車概要.交流傳動內(nèi)燃.電力機車
-
>
利維坦的道德困境:早期現(xiàn)代政治哲學(xué)的問題與脈絡(luò)
PYTORCH自動駕駛視覺感知算法實戰(zhàn) 版權(quán)信息
- ISBN：9787111740278
- 條形碼：9787111740278 ; 978-7-111-74027-8
- 裝幀：平裝-膠訂
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
PYTORCH自動駕駛視覺感知算法實戰(zhàn) 本書特色
《PyTorch自動駕駛視覺感知算法實戰(zhàn)》融合了資深開發(fā)工程師多年一線工作經(jīng)驗，對自動駕駛涉及的主要視覺任務(wù)進行了深入講解；對自動駕駛工程實踐中很重要，但經(jīng)常被忽略的知識進行了全面總結(jié)；附帶一個中等規(guī)模的自動駕駛數(shù)據(jù)集便于讀者上手實踐。內(nèi)容循序漸進、由淺入深，詳盡的代碼、圖文講解。書中操作部分配有二維碼視頻，使讀者身臨其境，迅速、深入地掌握各種經(jīng)驗和技巧。
PYTORCH自動駕駛視覺感知算法實戰(zhàn) 內(nèi)容簡介
《PyTorch自動駕駛視覺感知算法實戰(zhàn)》全面介紹了自動駕駛系統(tǒng)中深度學(xué)習(xí)視覺感知的相關(guān)知識，包括深度神經(jīng)網(wǎng)絡(luò)和深度卷積神經(jīng)網(wǎng)絡(luò)的基本理論，深入講解了自動駕駛中常用的目標(biāo)檢測、語義、實例分割和單目深度估計四種視覺感知任務(wù)。 《PyTorch自動駕駛視覺感知算法實戰(zhàn)》對自動駕駛工程實踐中很重要但經(jīng)常被忽略的知識進行了全面總結(jié)，包括多任務(wù)模型的損失平衡、Ubuntu操作系統(tǒng)、Anaconda和Docker等環(huán)境配置工具、C++開發(fā)環(huán)境搭建、神經(jīng)網(wǎng)絡(luò)壓縮、模型導(dǎo)出和量化、TensorRT推理引擎等和部署相關(guān)的技術(shù)。 《PyTorch自動駕駛視覺感知算法實戰(zhàn)》各個任務(wù)都由PyTorch實現(xiàn)，模型部署的代碼則提供C++實現(xiàn)，并附帶一個中等規(guī)模的自動駕駛數(shù)據(jù)集用于示例。所有代碼都公開在Github公開源碼倉庫上，很多代碼可以直接用于生產(chǎn)環(huán)境，且提供了商業(yè)友好的代碼許可證。 《PyTorch自動駕駛視覺感知算法實戰(zhàn)》適用于具備基本機器學(xué)習(xí)知識，有志于從事自動駕駛算法工作的學(xué)生，也適用于剛邁入職場，面對各種陌生技術(shù)無所適從的初級工程師。同時，本書也可供中高級算法工程師作為案頭常備書籍，以便查閱。
PYTORCH自動駕駛視覺感知算法實戰(zhàn) 目錄
前言
第1章 卷積神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)
1.1神經(jīng)網(wǎng)絡(luò)回顧
1.1.1神經(jīng)網(wǎng)絡(luò)模型
1.1.2神經(jīng)網(wǎng)絡(luò)的訓(xùn)練——反向傳播算法
1.1.3神經(jīng)網(wǎng)絡(luò)的擬合能力和泛化能力
1.2什么是卷積神經(jīng)網(wǎng)絡(luò)
1.2.1什么是卷積運算
1.2.2通道（Channel）和三維卷積
1.2.3為什么需要深度網(wǎng)絡(luò)
1.2.4什么是批次（Batch）
1.3卷積神經(jīng)網(wǎng)絡(luò)的組成細(xì)節(jié)
1.3.1卷積神經(jīng)網(wǎng)絡(luò)的輸入層
1.3.2神經(jīng)網(wǎng)絡(luò)的輸出層
1.3.3卷積層和轉(zhuǎn)置卷積層
1.3.4激活層
1.3.5歸一化層
1.3.6上采樣層和下采樣層
1.3.7池化層
1.3.8跳躍、空間注意力等特殊的連接方式
1.3.9構(gòu)建一個復(fù)雜的卷積神經(jīng)網(wǎng)絡(luò)
1.4卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
1.4.1常用損失函數(shù)
1.4.2常用的正則化方法
1.4.3常用的優(yōu)化器
1.4.4常用的訓(xùn)練學(xué)習(xí)率調(diào)整方法
第2章 深度學(xué)習(xí)開發(fā)環(huán)境及常用工具庫
2.1硬件和操作系統(tǒng)
2.1.1顯卡
2.1.2操作系統(tǒng)
2.2Python開發(fā)環(huán)境管理
2.2.1Anaconda虛擬環(huán)境的管理
2.2.2Python的包管理器pip
2.3常用的Python包
2.3.1NumPy——Python科學(xué)計算庫
2.3.2OpenCV——Python圖像處理庫
2.4GPU加速的深度學(xué)習(xí)和科學(xué)計算庫PyTorch
2.4.1GPU加速的科學(xué)計算功能
2.4.2PyTorch的自動求導(dǎo)功能
2.4.3PyTorch的優(yōu)化器
2.4.4PyTorch的數(shù)據(jù)加載
2.4.5用PyTorch搭建神經(jīng)網(wǎng)絡(luò)
2.4.6常用的輔助工具
2.4.7搭建一個神經(jīng)網(wǎng)絡(luò)并進行訓(xùn)練
第3章 神經(jīng)網(wǎng)絡(luò)的特征編碼器——主干網(wǎng)絡(luò)
3.1什么是神經(jīng)網(wǎng)絡(luò)的主干網(wǎng)絡(luò)
3.1.1神經(jīng)網(wǎng)絡(luò)的元結(jié)構(gòu)
3.1.2神經(jīng)網(wǎng)絡(luò)的主干網(wǎng)絡(luò)及有監(jiān)督預(yù)訓(xùn)練
3.1.3主干網(wǎng)絡(luò)的自監(jiān)督預(yù)訓(xùn)練
3.2流行的主干網(wǎng)絡(luò)
3.2.1簡單直白的主干網(wǎng)絡(luò)——類VGG網(wǎng)絡(luò)
3.2.2*流行的主干網(wǎng)絡(luò)——ResNet系列網(wǎng)絡(luò)
3.2.3速度更快的輕量級主干網(wǎng)絡(luò)——MobileNet系列
3.2.4自由縮放的主干網(wǎng)絡(luò)——RegNet系列
3.3使用TorchVision模型庫提供的主干網(wǎng)絡(luò)
3.3.1構(gòu)建和加載模型
3.3.2修改主干網(wǎng)絡(luò)獲取多尺度特征圖
3.3.3不同主干網(wǎng)絡(luò)和預(yù)訓(xùn)練模型的訓(xùn)練對比
第4章 目標(biāo)檢測網(wǎng)絡(luò)——識別車輛
4.1目標(biāo)檢測基本概念
4.1.1Anchor
4.1.2NMS
4.1.3目標(biāo)檢測網(wǎng)絡(luò)的類別
4.2以Faster RCNN為代表的兩階段檢測方法
4.2.1RPN網(wǎng)絡(luò)
4.2.2ROI網(wǎng)絡(luò)
4.2.3使用TorchVision模型庫中的Faster RCNN
4.3以Yolo為代表的一階段檢測方法
4.3.1YoloV3的整體結(jié)構(gòu)
4.3.2Yolo的訓(xùn)練
4.3.3類Yolo的一階段檢測網(wǎng)絡(luò)
4.4以CenterNet為代表的Anchor-Free方法
4.4.1CenterNet的整體結(jié)構(gòu)
4.4.2用高斯模糊和Focal Loss訓(xùn)練CenterNet
4.4.3YoloX網(wǎng)絡(luò)
4.5Yolo的PyTorch實現(xiàn)
4.5.1樣本選擇算法的實現(xiàn)
4.5.2Yolo層的實現(xiàn)
4.5.3構(gòu)造損失函數(shù)
4.5.4NMS的實現(xiàn)
第5章 語義分割與實例分割——逐像素分類
5.1語義分割
5.1.1語義分割的網(wǎng)絡(luò)構(gòu)架和損失函數(shù)
5.1.2評價語義分割質(zhì)量的指標(biāo)
5.1.3使用OHEM和類別權(quán)重解決樣本不均衡問題
5.1.4語義分割的關(guān)鍵——信息融合
5.2使用PyTorch訓(xùn)練一個語義分割模型
5.2.1語義分割的數(shù)據(jù)加載
5.2.2加載Lite R-ASPP語義分割模型進行訓(xùn)練
5.2.3計算混淆矩陣
5.2.4計算mIoU
5.3實例分割——分辨行人和車輛
5.3.1以Mask-RCNN為代表的兩階段實例分割方法
5.3.2以SOLO為代表的單階段實例分割方法
5.3.3基于CondInst的半監(jiān)督實例分割方法BoxInst
5.4安裝及使用OpenMMLab——以MMDetection為例
5.4.1安裝和配置MMDetection
5.4.2MMDetection介紹
5.4.3SOLO代碼解析
第6章 單目深度估計——重建三維世界
6.1計算機三維視覺基礎(chǔ)知識
6.1.1相機模型
6.1.2什么是深度圖
6.1.3相機運動模型
6.2單目深度估計的網(wǎng)絡(luò)構(gòu)架
6.2.1深度圖預(yù)測網(wǎng)絡(luò)
6.2.2基于相對視差的深度圖輸出編碼
6.2.3基于有序回歸的深度圖輸出編碼
6.2.4相機運動估計網(wǎng)絡(luò)
6.3無監(jiān)督學(xué)習(xí)的機制
6.3.1無監(jiān)督學(xué)習(xí)系統(tǒng)構(gòu)架
6.3.2將深度圖反投影為點云的PyTorch實現(xiàn)
6.3.3從相鄰幀采集RGB值并重投影的PyTorch實現(xiàn)
6.3.4無監(jiān)督單目深度推斷的損失函數(shù)
6.4可能存在的問題及解決方案
6.4.1用圖像梯度圖解決邊緣模糊問題
6.4.2用圖像一致性掩膜解決移動物體問題
6.4.3用速度損失解決尺度問題
第7章 通過控制網(wǎng)絡(luò)結(jié)構(gòu)提高速度和精度
7.1使用多任務(wù)網(wǎng)絡(luò)構(gòu)架提高速度和精度
7.1.1多任務(wù)網(wǎng)絡(luò)的設(shè)計
7.1.2多任務(wù)網(wǎng)絡(luò)的任務(wù)平衡問題
7.2用PyTorch搭建一個語義分割和目標(biāo)檢測雙任務(wù)網(wǎng)絡(luò)
7.2.1多任務(wù)數(shù)據(jù)加載
7.2.2多任務(wù)網(wǎng)絡(luò)的搭建
7.2.3多任務(wù)損失的平衡
7.3壓縮神經(jīng)網(wǎng)絡(luò)提高推理速度
7.3.1什么是神經(jīng)網(wǎng)絡(luò)壓縮
7.3.2幾種常見的通道剪枝方法
7.3.3在訓(xùn)練中使用L1正則化壓縮權(quán)重
7.3.4使用可微通道加權(quán)進行通道剪枝
7.3.5網(wǎng)絡(luò)壓縮的流程
7.4用PyTorch實現(xiàn)可微網(wǎng)絡(luò)壓縮
7.4.1用PyTorch構(gòu)造可微通道選擇層
7.4.2利用通道選擇層確定壓縮方案
7.4.3對PyTorch模型進行壓縮并對比運行速度
第8章 導(dǎo)出和部署神經(jīng)網(wǎng)絡(luò)模型
8.1配置開發(fā)環(huán)境
8.1.1Docker的使用
8.1.2配置C 開發(fā)環(huán)境
8.2使用LibTorch部署PyTorch模型
8.2.1導(dǎo)出TorchScript模型
8.2.2將LibTorch加入CMake項目
8.2.3將輸入圖像轉(zhuǎn)換為Tensor
8.2.4加載TorchScript模型并進行推理
8.3用TensorRT部署模型
第1章 卷積神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)
1.1神經(jīng)網(wǎng)絡(luò)回顧
1.1.1神經(jīng)網(wǎng)絡(luò)模型
1.1.2神經(jīng)網(wǎng)絡(luò)的訓(xùn)練——反向傳播算法
1.1.3神經(jīng)網(wǎng)絡(luò)的擬合能力和泛化能力
1.2什么是卷積神經(jīng)網(wǎng)絡(luò)
1.2.1什么是卷積運算
1.2.2通道（Channel）和三維卷積
1.2.3為什么需要深度網(wǎng)絡(luò)
1.2.4什么是批次（Batch）
1.3卷積神經(jīng)網(wǎng)絡(luò)的組成細(xì)節(jié)
1.3.1卷積神經(jīng)網(wǎng)絡(luò)的輸入層
1.3.2神經(jīng)網(wǎng)絡(luò)的輸出層
1.3.3卷積層和轉(zhuǎn)置卷積層
1.3.4激活層
1.3.5歸一化層
1.3.6上采樣層和下采樣層
1.3.7池化層
1.3.8跳躍、空間注意力等特殊的連接方式
1.3.9構(gòu)建一個復(fù)雜的卷積神經(jīng)網(wǎng)絡(luò)
1.4卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
1.4.1常用損失函數(shù)
1.4.2常用的正則化方法
1.4.3常用的優(yōu)化器
1.4.4常用的訓(xùn)練學(xué)習(xí)率調(diào)整方法
第2章 深度學(xué)習(xí)開發(fā)環(huán)境及常用工具庫
2.1硬件和操作系統(tǒng)
2.1.1顯卡
2.1.2操作系統(tǒng)
2.2Python開發(fā)環(huán)境管理
2.2.1Anaconda虛擬環(huán)境的管理
2.2.2Python的包管理器pip
2.3常用的Python包
2.3.1NumPy——Python科學(xué)計算庫
2.3.2OpenCV——Python圖像處理庫
2.4GPU加速的深度學(xué)習(xí)和科學(xué)計算庫PyTorch
2.4.1GPU加速的科學(xué)計算功能
2.4.2PyTorch的自動求導(dǎo)功能
2.4.3PyTorch的優(yōu)化器
2.4.4PyTorch的數(shù)據(jù)加載
2.4.5用PyTorch搭建神經(jīng)網(wǎng)絡(luò)
2.4.6常用的輔助工具
2.4.7搭建一個神經(jīng)網(wǎng)絡(luò)并進行訓(xùn)練
第3章 神經(jīng)網(wǎng)絡(luò)的特征編碼器——主干網(wǎng)絡(luò)
3.1什么是神經(jīng)網(wǎng)絡(luò)的主干網(wǎng)絡(luò)
3.1.1神經(jīng)網(wǎng)絡(luò)的元結(jié)構(gòu)
3.1.2神經(jīng)網(wǎng)絡(luò)的主干網(wǎng)絡(luò)及有監(jiān)督預(yù)訓(xùn)練
3.1.3主干網(wǎng)絡(luò)的自監(jiān)督預(yù)訓(xùn)練
3.2流行的主干網(wǎng)絡(luò)
3.2.1簡單直白的主干網(wǎng)絡(luò)——類VGG網(wǎng)絡(luò)
3.2.2*流行的主干網(wǎng)絡(luò)——ResNet系列網(wǎng)絡(luò)
3.2.3速度更快的輕量級主干網(wǎng)絡(luò)——MobileNet系列
3.2.4自由縮放的主干網(wǎng)絡(luò)——RegNet系列
3.3使用TorchVision模型庫提供的主干網(wǎng)絡(luò)
3.3.1構(gòu)建和加載模型
3.3.2修改主干網(wǎng)絡(luò)獲取多尺度特征圖
3.3.3不同主干網(wǎng)絡(luò)和預(yù)訓(xùn)練模型的訓(xùn)練對比
第4章 目標(biāo)檢測網(wǎng)絡(luò)——識別車輛
4.1目標(biāo)檢測基本概念
4.1.1Anchor
4.1.2NMS
4.1.3目標(biāo)檢測網(wǎng)絡(luò)的類別
4.2以Faster RCNN為代表的兩階段檢測方法
4.2.1RPN網(wǎng)絡(luò)
4.2.2ROI網(wǎng)絡(luò)
4.2.3使用TorchVision模型庫中的Faster RCNN
4.3以Yolo為代表的一階段檢測方法
4.3.1YoloV3的整體結(jié)構(gòu)
4.3.2Yolo的訓(xùn)練
4.3.3類Yolo的一階段檢測網(wǎng)絡(luò)
4.4以CenterNet為代表的Anchor-Free方法
4.4.1CenterNet的整體結(jié)構(gòu)
4.4.2用高斯模糊和Focal Loss訓(xùn)練CenterNet
4.4.3YoloX網(wǎng)絡(luò)
4.5Yolo的PyTorch實現(xiàn)
4.5.1樣本選擇算法的實現(xiàn)
4.5.2Yolo層的實現(xiàn)
4.5.3構(gòu)造損失函數(shù)
4.5.4NMS的實現(xiàn)
第5章 語義分割與實例分割——逐像素分類
5.1語義分割
5.1.1語義分割的網(wǎng)絡(luò)構(gòu)架和損失函數(shù)
5.1.2評價語義分割質(zhì)量的指標(biāo)
5.1.3使用OHEM和類別權(quán)重解決樣本不均衡問題
5.1.4語義分割的關(guān)鍵——信息融合
5.2使用PyTorch訓(xùn)練一個語義分割模型
5.2.1語義分割的數(shù)據(jù)加載
5.2.2加載Lite R-ASPP語義分割模型進行訓(xùn)練
5.2.3計算混淆矩陣
5.2.4計算mIoU
5.3實例分割——分辨行人和車輛
5.3.1以Mask-RCNN為代表的兩階段實例分割方法
5.3.2以SOLO為代表的單階段實例分割方法
5.3.3基于CondInst的半監(jiān)督實例分割方法BoxInst
5.4安裝及使用OpenMMLab——以MMDetection為例
5.4.1安裝和配置MMDetection
5.4.2MMDetection介紹
5.4.3SOLO代碼解析
第6章 單目深度估計——重建三維世界
6.1計算機三維視覺基礎(chǔ)知識
6.1.1相機模型
6.1.2什么是深度圖
6.1.3相機運動模型
6.2單目深度估計的網(wǎng)絡(luò)構(gòu)架
6.2.1深度圖預(yù)測網(wǎng)絡(luò)
6.2.2基于相對視差的深度圖輸出編碼
6.2.3基于有序回歸的深度圖輸出編碼
6.2.4相機運動估計網(wǎng)絡(luò)
6.3無監(jiān)督學(xué)習(xí)的機制
6.3.1無監(jiān)督學(xué)習(xí)系統(tǒng)構(gòu)架
6.3.2將深度圖反投影為點云的PyTorch實現(xiàn)
6.3.3從相鄰幀采集RGB值并重投影的PyTorch實現(xiàn)
6.3.4無監(jiān)督單目深度推斷的損失函數(shù)
6.4可能存在的問題及解決方案
6.4.1用圖像梯度圖解決邊緣模糊問題
6.4.2用圖像一致性掩膜解決移動物體問題
6.4.3用速度損失解決尺度問題
第7章 通過控制網(wǎng)絡(luò)結(jié)構(gòu)提高速度和精度
7.1使用多任務(wù)網(wǎng)絡(luò)構(gòu)架提高速度和精度
7.1.1多任務(wù)網(wǎng)絡(luò)的設(shè)計
7.1.2多任務(wù)網(wǎng)絡(luò)的任務(wù)平衡問題
7.2用PyTorch搭建一個語義分割和目標(biāo)檢測雙任務(wù)網(wǎng)絡(luò)
7.2.1多任務(wù)數(shù)據(jù)加載
7.2.2多任務(wù)網(wǎng)絡(luò)的搭建
7.2.3多任務(wù)損失的平衡
7.3壓縮神經(jīng)網(wǎng)絡(luò)提高推理速度
7.3.1什么是神經(jīng)網(wǎng)絡(luò)壓縮
7.3.2幾種常見的通道剪枝方法
7.3.3在訓(xùn)練中使用L1正則化壓縮權(quán)重
7.3.4使用可微通道加權(quán)進行通道剪枝
7.3.5網(wǎng)絡(luò)壓縮的流程
7.4用PyTorch實現(xiàn)可微網(wǎng)絡(luò)壓縮
7.4.1用PyTorch構(gòu)造可微通道選擇層
7.4.2利用通道選擇層確定壓縮方案
7.4.3對PyTorch模型進行壓縮并對比運行速度
第8章 導(dǎo)出和部署神經(jīng)網(wǎng)絡(luò)模型
8.1配置開發(fā)環(huán)境
8.1.1Docker的使用
8.1.2配置C 開發(fā)環(huán)境
8.2使用LibTorch部署PyTorch模型
8.2.1導(dǎo)出TorchScript模型
8.2.2將LibTorch加入CMake項目
8.2.3將輸入圖像轉(zhuǎn)換為Tensor
8.2.4加載TorchScript模型并進行推理
8.3用TensorRT部署模型
展開全部
PYTORCH自動駕駛視覺感知算法實戰(zhàn) 作者簡介
劉斯坦，本科畢業(yè)于上海交通大學(xué)，碩士畢業(yè)于德國慕尼黑工業(yè)大學(xué)。深度學(xué)習(xí)資深工程師，從事無人駕駛智能感知系統(tǒng)的研發(fā)工作。在德國相關(guān)領(lǐng)域從業(yè)超過十年，負(fù)責(zé)無人駕駛系統(tǒng)中多個神經(jīng)網(wǎng)絡(luò)模型在量產(chǎn)車的落地以及中國地區(qū)的本地化。劉斯坦對深度學(xué)習(xí)的各個領(lǐng)域不但有著全景式的理解，還具備從數(shù)學(xué)理論到部署產(chǎn)品線的知識縱深。這種即廣又深全面覆蓋的知識面，相信能為讀者帶來更開闊的視野。
書友推薦
- >
小考拉的故事-套裝共3冊
- >
我從未如此眷戀人間
- >
姑媽的寶刀
- >
朝聞道
- >
有舍有得是人生
- >
推拿
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
伯納黛特,你要去哪(2021新版)
本類暢銷
