自动驾驶：感知原理与实践

参考文献

6.7 本章小结

6.6.2 使用NCNN部署NanoDet

6.6.1 NCNN部署流程

6.6 NCNN模型部署

6.5.4 YOLOv5的CPU和CUDA后处理

6.5.3 使用TensorRT对YOLOv5进行推理加速

6.5.2 使用CUDA加速前处理

6.5.1 使用OpenCV进行前处理

6.5 TensorRT模型部署实例

6.4.6 TensorRT的插件开发

6.4.5 INT8量化

6.4.4 TensorRT的推理

6.4.3 TensorRT推理引擎的序列化与反序列化

6.4.2 从ONNX文件中导入网络结构定义

6.4.1 使用TensorRT API搭建网络结构

6.4 模型框架之TensorRT

6.3.5 CUDA流

6.3.4 GPU硬件组织结构

6.3.3 CUDA内存组织

6.3.2 CUDA线程组织

6.3.1 CUDA编程模型

6.3 GPU编程工具之CUDA

6.2.2 使用OpenCV进行图像预处理

6.2.1 OpenCV基本操作

6.2 OpenCV图像处理操作

6.1.3 ONNX

6.1.2 NCNN

6.1.1 TensorRT

6.1 常见模型部署框架介绍

第6章 深度学习模型的落地和部署

5.5 本章小结

5.4.2 Byte匹配

5.4.1 MOT16数据集

5.4 基于ByteTrack的多目标跟踪项目实践

5.3 多目标跟踪算法ByteTrack的原理

5.2.2 ReID特征提取

5.2.1 级联匹配

5.2 多目标跟踪算法DeepSORT的原理

5.1 多目标跟踪算法SORT的原理

第5章 多目标跟踪在自动驾驶中的应用

4.4 本章小结

4.3.2 LaneATT实践

4.3.1 CULane数据集介绍

4.3 基于LaneATT的车道线检测实践

4.2.5 后处理

4.2.4 Proposal预测

4.2.3 局部注意力机制

4.2.2 基于Anchor的特征图池化

4.2.1 Lane的Anchor表征

4.2 LaneATT算法的原理

4.1 UNet算法的原理

第4章 车道线检测与分割

3.4 本章小结

3.3.2 TopFormer模型实现

3.3.1 Cityscapes数据集简介

3.3 基于TopFormer的可行驶区域分割项目实践

3.2.4 Segmentation Head

3.2.3 Semantics Injection Module

3.2.2 Scale-Aware Semantics Extractor

3.2.1 Token Pyramid Module

3.2 TopFormer算法的原理

3.1.2 STDC语义分割网络

3.1.1 STDC模块

3.1 STDC算法的原理

第3章 语义分割在自动驾驶中的应用

2.7 本章小结

2.6.3 基于OpenPCDet的3D目标检测项目实践

2.6.2 BEVFormer

2.6.1 PointPillars

2.6 3D目标检测

2.5.2 基于YOLOv5-Lite的交通信号灯检测项目实践

2.5.1 YOLOv5-Lite算法的原理

2.5 自动驾驶中的交通信号灯的检测与识别

2.4.2 基于NanoDet的交通标识牌检测项目实践

2.4.1 NanoDet算法的原理

2.4 自动驾驶中的交通标识牌检测

2.3.2 基于YOLOX的行人检测项目实践

2.3.1 YOLOX算法的原理

2.3 自动驾驶中的行人检测

2.2.3 基于YOLOv5的车辆检测项目实践

2.2.2 YOLOv5算法的原理

2.2.1 BDD100K数据集简介

2.2 自动驾驶中的车辆检测

2.1.3 单阶段目标检测算法简介

2.1.2 两阶段目标检测算法简介

2.1.1 相关工作简介

2.1 目标检测简介

第2章 目标检测在自动驾驶中的应用

1.6 本章小结

1.5.5 基于ResNet/MobileViT的交通标识牌识别项目实践

1.5.4 TRT-ViT

1.5.3 MobileViT

1.5.2 Swin Transformer

1.5.1 ViT

1.5 Vision Transformer在计算机视觉中的应用

1.4.3 GhostNet

1.4.2 ShuffleNet

1.4.1 MobileNet

1.4 轻量化卷积神经网络

1.3.6 CSPDarkNet

1.3.5 DarkNet

1.3.4 ResNet

1.3.3 GoogLeNet

1.3.2 VGG

1.3.1 AlexNet

1.3 经典卷积神经网络

1.2.4 全连接层

1.2.3 池化层

1.2.2 激活函数

1.2.1 卷积

1.2 卷积神经网络

1.1.2 神经网络

1.1.1 感知机

1.1 人工神经网络

第1章 计算机视觉与神经网络

前言

内容简介

作者简介

版权信息

封面

封面

版权信息

作者简介

内容简介

前言

第1章 计算机视觉与神经网络

1.1 人工神经网络

1.1.1 感知机

1.1.2 神经网络

1.2 卷积神经网络

1.2.1 卷积

1.2.2 激活函数

1.2.3 池化层

1.2.4 全连接层

1.3 经典卷积神经网络

1.3.1 AlexNet

1.3.2 VGG

1.3.3 GoogLeNet

1.3.4 ResNet

1.3.5 DarkNet

1.3.6 CSPDarkNet

1.4 轻量化卷积神经网络

1.4.1 MobileNet

1.4.2 ShuffleNet

1.4.3 GhostNet

1.5 Vision Transformer在计算机视觉中的应用

1.5.1 ViT

1.5.2 Swin Transformer

1.5.3 MobileViT

1.5.4 TRT-ViT

1.5.5 基于ResNet/MobileViT的交通标识牌识别项目实践

1.6 本章小结

第2章 目标检测在自动驾驶中的应用

2.1 目标检测简介

2.1.1 相关工作简介

2.1.2 两阶段目标检测算法简介

2.1.3 单阶段目标检测算法简介

2.2 自动驾驶中的车辆检测

2.2.1 BDD100K数据集简介

2.2.2 YOLOv5算法的原理

2.2.3 基于YOLOv5的车辆检测项目实践

2.3 自动驾驶中的行人检测

2.3.1 YOLOX算法的原理

2.3.2 基于YOLOX的行人检测项目实践

2.4 自动驾驶中的交通标识牌检测

2.4.1 NanoDet算法的原理

2.4.2 基于NanoDet的交通标识牌检测项目实践

2.5 自动驾驶中的交通信号灯的检测与识别

2.5.1 YOLOv5-Lite算法的原理

2.5.2 基于YOLOv5-Lite的交通信号灯检测项目实践

2.6 3D目标检测

2.6.1 PointPillars

2.6.2 BEVFormer

2.6.3 基于OpenPCDet的3D目标检测项目实践

2.7 本章小结

第3章 语义分割在自动驾驶中的应用

3.1 STDC算法的原理

3.1.1 STDC模块

3.1.2 STDC语义分割网络

3.2 TopFormer算法的原理

3.2.1 Token Pyramid Module

3.2.2 Scale-Aware Semantics Extractor

3.2.3 Semantics Injection Module

3.2.4 Segmentation Head

3.3 基于TopFormer的可行驶区域分割项目实践

3.3.1 Cityscapes数据集简介

3.3.2 TopFormer模型实现

3.4 本章小结

第4章 车道线检测与分割

4.1 UNet算法的原理

4.2 LaneATT算法的原理

4.2.1 Lane的Anchor表征

4.2.2 基于Anchor的特征图池化

4.2.3 局部注意力机制

4.2.4 Proposal预测

4.2.5 后处理

4.3 基于LaneATT的车道线检测实践

4.3.1 CULane数据集介绍

4.3.2 LaneATT实践

4.4 本章小结

第5章 多目标跟踪在自动驾驶中的应用

5.1 多目标跟踪算法SORT的原理

5.2 多目标跟踪算法DeepSORT的原理

5.2.1 级联匹配

5.2.2 ReID特征提取

5.3 多目标跟踪算法ByteTrack的原理

5.4 基于ByteTrack的多目标跟踪项目实践

5.4.1 MOT16数据集

5.4.2 Byte匹配

5.5 本章小结

第6章 深度学习模型的落地和部署

6.1 常见模型部署框架介绍

6.1.1 TensorRT

6.1.2 NCNN

6.1.3 ONNX

6.2 OpenCV图像处理操作

6.2.1 OpenCV基本操作

6.2.2 使用OpenCV进行图像预处理

6.3 GPU编程工具之CUDA

6.3.1 CUDA编程模型

6.3.2 CUDA线程组织

6.3.3 CUDA内存组织

6.3.4 GPU硬件组织结构

6.3.5 CUDA流

6.4 模型框架之TensorRT

6.4.1 使用TensorRT API搭建网络结构

6.4.2 从ONNX文件中导入网络结构定义

6.4.3 TensorRT推理引擎的序列化与反序列化

6.4.4 TensorRT的推理

6.4.5 INT8量化

6.4.6 TensorRT的插件开发

6.5 TensorRT模型部署实例

6.5.1 使用OpenCV进行前处理

6.5.2 使用CUDA加速前处理

6.5.3 使用TensorRT对YOLOv5进行推理加速

6.5.4 YOLOv5的CPU和CUDA后处理

6.6 NCNN模型部署

6.6.1 NCNN部署流程

6.6.2 使用NCNN部署NanoDet

6.7 本章小结

参考文献