掃一掃
關注中圖網
官方微博
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)
-
>
晶體管電路設計(下)
-
>
基于個性化設計策略的智能交通系統(tǒng)關鍵技術
-
>
花樣百出:貴州少數民族圖案填色
-
>
山東教育出版社有限公司技術轉移與技術創(chuàng)新歷史叢書中國高等技術教育的蘇化(1949—1961)以北京地區(qū)為中心
-
>
鐵路機車概要.交流傳動內燃.電力機車
-
>
利維坦的道德困境:早期現(xiàn)代政治哲學的問題與脈絡
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 版權信息
- ISBN：9787122452078
- 條形碼：9787122452078 ; 978-7-122-45207-8
- 裝幀：平裝
- 冊數：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 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。（2）本書從基礎概念開始，逐步深入研究模型、數據集、訓練策略和實際應用，展開介紹多種深度學習模型，包括卷積神經網絡、Swin Transformer以及它們的變種和組合。（3）本書還探討該領域的前沿研究，如多模態(tài)感知、不確定性建模、端到端自動駕駛系統(tǒng)等，這些內容將有助于讀者更好地理解車道線檢測技術的發(fā)展趨勢和未來應用。
基于深度學習的視頻車道線檢測技術 內容簡介
在當今的自動駕駛和智能交通系統(tǒng)領域，視頻車道線檢測技術扮演著至關重要的角色。本書將帶您深入探索這一領域，揭示如何使用深度學習技術來實現(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，包括基于深度學習的車道線檢測理論基礎、基于Swin Transformer的車道線檢測技術、基于深度混合網絡的連續(xù)多幀駕駛場景的魯棒車道線檢測技術、基于深度學習的視頻車道線檢測技術、基于MMA-Net的輕量級視頻實例車道線檢測技術、基于記憶模板的多幀實例車道線檢測技術、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人員參考，亦可供高等院校相關專業(yè)師生參考使用。
基于深度學習的視頻車道線檢測技術 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 國內外研究現(xiàn)狀 005
1.2.1 基于圖像處理的車道線檢測技術 007
1.2.2 基于CNN的車道線檢測技術 008
1.3 本書結構概覽 013 第2章 基于深度學習的車道線檢測理論基礎 015
2.1 卷積神經網絡 016
2.1.1 卷積層 016
2.1.2 池化層 017
2.1.3 激活函數 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 019
2.2 卷積神經網絡的應用 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 數據集 027
2.4.1 交通場景數據集 028
2.4.2 車道線檢測數據集 032
2.4.3 數據集總結 036
2.5 數據預處理 038
2.6 性能評估 039
本章小結 040 第3章 基于Swin Transformer的車道線檢測技術 041
3.1 系統(tǒng)概述 042
3.2 網絡設計 044
3.2.1 車道邊緣建議網絡 044
3.2.2 車道線定位網絡 048
3.3 訓練策略 049
3.3.1 車道邊緣建議網絡 049
3.3.2 車道線定位網絡 050
3.4 實驗和結果 052
3.4.1 數據集 052
3.4.2 超參數設置和硬件環(huán)境 053
3.4.3 性能評估 053
3.4.4 測試結果可視化 057
本章小結 065 第4章 基于深度混合網絡的連續(xù)多幀駕駛場景的魯棒車道線檢測技術 067
4.1 系統(tǒng)概述 068
4.2 網絡設計 069
4.2.1 優(yōu)化的MAE網絡 069
4.2.2 掩碼技術 070
4.2.3 基于MAE架構的編解碼器網絡 070
4.3 訓練策略 077
4.4 實驗和結果 078
4.4.1 數據集 078
4.4.2 超參數設置和硬件環(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 結果與討論 095
本章小結 096 第5章 基于深度學習的視頻車道線檢測技術 097
5.1 時空記憶網絡 098
5.1.1 Key與Value空間的嵌入張量 098
5.1.2 STM網絡結構 099
5.2 多級記憶聚合模塊 101
5.3 Siamese網絡 104
5.3.1 深度相似性學習 104
5.3.2 全卷積暹羅網絡 105
5.4 自適應模板匹配 106
5.4.1 目標的嵌入向量 106
5.4.2 自適應模板匹配與更新 107
本章小結 110 第6章 基于MMA-Net的輕量級視頻實例車道線檢測技術 111
6.1 FMMA-Net網絡結構 112
6.2 記憶幀編碼器設計 112
6.2.1 ResNet-18-FA網絡結構 115
6.2.2 融合與注意力模塊 115
6.3 查詢幀編碼器設計 118
6.3.1 STDC網絡結構與分析 119
6.3.2 G-STDC網絡結構 123
6.3.3 全局上下文模塊 124
6.4 網絡的損失函數 125
6.4.1 實例車道線存在預測損失函數 125
6.4.2 實例車道線的mIoU損失函數 125
6.4.3 總損失函數 126
6.5 實驗結果與分析 126
6.5.1 VIL-100數據集 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 定量實驗結果與分析 130
6.5.5 定性實驗結果與分析 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 136 第7章 基于記憶模板的多幀實例車道線檢測技術 137
7.1 網絡整體結構 138
7.2 記憶模板的工作原理 138
7.3 記憶模板的結構設計 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 多目標轉移矩陣損失函數 149
7.6 實驗準備 151
7.6.1 TuSimple數據集 151
7.6.2 CULane數據集 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 訓練結果 155
7.7 消融實驗結果與分析 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 多目標轉移矩陣的有效性 159
7.8 對比實驗結果與分析 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 178 第8章 未來展望與發(fā)展趨勢 179
8.1 深度學習技術的進一步應用 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 國內外研究現(xiàn)狀 005
1.2.1 基于圖像處理的車道線檢測技術 007
1.2.2 基于CNN的車道線檢測技術 008
1.3 本書結構概覽 013 第2章 基于深度學習的車道線檢測理論基礎 015
2.1 卷積神經網絡 016
2.1.1 卷積層 016
2.1.2 池化層 017
2.1.3 激活函數 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 019
2.2 卷積神經網絡的應用 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 數據集 027
2.4.1 交通場景數據集 028
2.4.2 車道線檢測數據集 032
2.4.3 數據集總結 036
2.5 數據預處理 038
2.6 性能評估 039
本章小結 040 第3章 基于Swin Transformer的車道線檢測技術 041
3.1 系統(tǒng)概述 042
3.2 網絡設計 044
3.2.1 車道邊緣建議網絡 044
3.2.2 車道線定位網絡 048
3.3 訓練策略 049
3.3.1 車道邊緣建議網絡 049
3.3.2 車道線定位網絡 050
3.4 實驗和結果 052
3.4.1 數據集 052
3.4.2 超參數設置和硬件環(huán)境 053
3.4.3 性能評估 053
3.4.4 測試結果可視化 057
本章小結 065 第4章 基于深度混合網絡的連續(xù)多幀駕駛場景的魯棒車道線檢測技術 067
4.1 系統(tǒng)概述 068
4.2 網絡設計 069
4.2.1 優(yōu)化的MAE網絡 069
4.2.2 掩碼技術 070
4.2.3 基于MAE架構的編解碼器網絡 070
4.3 訓練策略 077
4.4 實驗和結果 078
4.4.1 數據集 078
4.4.2 超參數設置和硬件環(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 結果與討論 095
本章小結 096 第5章 基于深度學習的視頻車道線檢測技術 097
5.1 時空記憶網絡 098
5.1.1 Key與Value空間的嵌入張量 098
5.1.2 STM網絡結構 099
5.2 多級記憶聚合模塊 101
5.3 Siamese網絡 104
5.3.1 深度相似性學習 104
5.3.2 全卷積暹羅網絡 105
5.4 自適應模板匹配 106
5.4.1 目標的嵌入向量 106
5.4.2 自適應模板匹配與更新 107
本章小結 110 第6章 基于MMA-Net的輕量級視頻實例車道線檢測技術 111
6.1 FMMA-Net網絡結構 112
6.2 記憶幀編碼器設計 112
6.2.1 ResNet-18-FA網絡結構 115
6.2.2 融合與注意力模塊 115
6.3 查詢幀編碼器設計 118
6.3.1 STDC網絡結構與分析 119
6.3.2 G-STDC網絡結構 123
6.3.3 全局上下文模塊 124
6.4 網絡的損失函數 125
6.4.1 實例車道線存在預測損失函數 125
6.4.2 實例車道線的mIoU損失函數 125
6.4.3 總損失函數 126
6.5 實驗結果與分析 126
6.5.1 VIL-100數據集 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 定量實驗結果與分析 130
6.5.5 定性實驗結果與分析 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 136 第7章 基于記憶模板的多幀實例車道線檢測技術 137
7.1 網絡整體結構 138
7.2 記憶模板的工作原理 138
7.3 記憶模板的結構設計 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 多目標轉移矩陣損失函數 149
7.6 實驗準備 151
7.6.1 TuSimple數據集 151
7.6.2 CULane數據集 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 訓練結果 155
7.7 消融實驗結果與分析 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 多目標轉移矩陣的有效性 159
7.8 對比實驗結果與分析 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 178 第8章 未來展望與發(fā)展趨勢 179
8.1 深度學習技術的進一步應用 180
8.2 智能交通系統(tǒng)的發(fā)展前景 181
8.3 車道線檢測技術的創(chuàng)新方向 182 參考文獻 183
展開全部
書友推薦
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
上帝之肋:男人的真實旅程
- >
中國歷史的瞬間
- >
有舍有得是人生
- >
【精裝繪本】畫給孩子的中國神話
- >
中國人在烏蘇里邊疆區(qū):歷史與人類學概述
- >
我從未如此眷戀人間
- >
我與地壇
本類暢銷
