掃一掃
關(guān)注中圖網(wǎng)
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(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)代政治哲學的問題與脈絡(luò)
面向自主駕駛場景感知的循環(huán)神經(jīng)架構(gòu) 版權(quán)信息
- ISBN：9787118127836
- 條形碼：9787118127836 ; 978-7-118-12783-6
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
面向自主駕駛場景感知的循環(huán)神經(jīng)架構(gòu) 內(nèi)容簡介
本書針對場景感知中的動態(tài)場景預(yù)測、多目標檢測和多目標跟蹤這三個關(guān)鍵任務(wù)，分別提出了三種不同的深度學習架構(gòu)，在保證場景感知性能良好的同時，為解決了上述問題，并進一步提高自主駕駛對場景的適應(yīng)性，本書也對局部路徑規(guī)劃算法進行了深入研究。
面向自主駕駛場景感知的循環(huán)神經(jīng)架構(gòu) 目錄
第1章 緒論
1．1 研究背景
1．1．1 自主駕駛
1．1．2 自主駕駛場景感知
1．1．3 面向自主駕駛場景感知的深度學習
1．2 研究內(nèi)容
1．3 國內(nèi)外的研究現(xiàn)狀
1．3．1 動態(tài)場景預(yù)測
1．3．2 多目標檢測
1．3．3 多目標跟蹤
1．3．4 局部路徑規(guī)劃
1．4 展望
第2章 面向動態(tài)場景預(yù)測的張量式循環(huán)神經(jīng)網(wǎng)絡(luò)
2．1 引言
2．2 方法
2．2．1 張量化隱狀態(tài)
2．2．2 合并深度計算
2．2．3 擴展為LSTM
2．2．4 處理結(jié)構(gòu)化輸入
2．3 實驗
2．3．1 任務(wù)1：文本生成
2．3．2 任務(wù)2：文本計算
2．3．3 任務(wù)3：圖像分類
2．3．4 任務(wù)4：動態(tài)場景預(yù)測
2．3．5 記憶單元的可視化
2．4 相關(guān)工作
2．4．1 卷積LsTM
2．4．2 深度LSTM
2．4．3 其他并行化方法
2．5 本章小結(jié)
第3章 面向無監(jiān)督多目標檢測的記憶式循環(huán)注意力網(wǎng)絡(luò)
3．1 引言
3．2 無監(jiān)督多目標檢測：通過渲染進行檢測
3．2．1 概述
3．2．2 特征提取器
3．2．3 循環(huán)目標檢測器
3．2．4 渲染器
3．2．5 損失
3．3 記憶式循環(huán)注意力網(wǎng)絡(luò)
3．4 實驗
3．4．1 Sprites數(shù)據(jù)集
3．4．2 DukeMTMC數(shù)據(jù)集
3．4．3 TUD數(shù)據(jù)集
3．4．4 UMOD-MRAN數(shù)據(jù)集的可視化
3．5 相關(guān)工作
3．6 本章小結(jié)
第4章 面向無監(jiān)督多目標跟蹤的重優(yōu)先化循環(huán)注意力網(wǎng)絡(luò)
4．1 引言
4．2 通過生成動畫進行跟蹤
4．2．1 概述
4．2．2 特征提取器
4．2．3 跟蹤器陣列
4．2．4 渲染器
4．2．5 損失
4．3 重優(yōu)先化注意式跟蹤
4．3．1 使用注意力
4．3．2 將輸入作為記憶
4．3．3 重優(yōu)先化跟蹤器
4．3．4 使用自適應(yīng)計算時間
4．4 實驗
……
第5章 基于雙過程理論的分層局部路徑規(guī)劃
參考文獻
附錄A 面向動態(tài)場景預(yù)測的張量式循環(huán)神經(jīng)網(wǎng)絡(luò)
附錄B 面向無監(jiān)督多目標檢測的記憶式循環(huán)注意力網(wǎng)絡(luò)
附錄C 面向無監(jiān)督多目標跟蹤的重優(yōu)先化循環(huán)注意力網(wǎng)絡(luò)
1．1 研究背景
1．1．1 自主駕駛
1．1．2 自主駕駛場景感知
1．1．3 面向自主駕駛場景感知的深度學習
1．2 研究內(nèi)容
1．3 國內(nèi)外的研究現(xiàn)狀
1．3．1 動態(tài)場景預(yù)測
1．3．2 多目標檢測
1．3．3 多目標跟蹤
1．3．4 局部路徑規(guī)劃
1．4 展望
第2章 面向動態(tài)場景預(yù)測的張量式循環(huán)神經(jīng)網(wǎng)絡(luò)
2．1 引言
2．2 方法
2．2．1 張量化隱狀態(tài)
2．2．2 合并深度計算
2．2．3 擴展為LSTM
2．2．4 處理結(jié)構(gòu)化輸入
2．3 實驗
2．3．1 任務(wù)1：文本生成
2．3．2 任務(wù)2：文本計算
2．3．3 任務(wù)3：圖像分類
2．3．4 任務(wù)4：動態(tài)場景預(yù)測
2．3．5 記憶單元的可視化
2．4 相關(guān)工作
2．4．1 卷積LsTM
2．4．2 深度LSTM
2．4．3 其他并行化方法
2．5 本章小結(jié)
第3章 面向無監(jiān)督多目標檢測的記憶式循環(huán)注意力網(wǎng)絡(luò)
3．1 引言
3．2 無監(jiān)督多目標檢測：通過渲染進行檢測
3．2．1 概述
3．2．2 特征提取器
3．2．3 循環(huán)目標檢測器
3．2．4 渲染器
3．2．5 損失
3．3 記憶式循環(huán)注意力網(wǎng)絡(luò)
3．4 實驗
3．4．1 Sprites數(shù)據(jù)集
3．4．2 DukeMTMC數(shù)據(jù)集
3．4．3 TUD數(shù)據(jù)集
3．4．4 UMOD-MRAN數(shù)據(jù)集的可視化
3．5 相關(guān)工作
3．6 本章小結(jié)
第4章 面向無監(jiān)督多目標跟蹤的重優(yōu)先化循環(huán)注意力網(wǎng)絡(luò)
4．1 引言
4．2 通過生成動畫進行跟蹤
4．2．1 概述
4．2．2 特征提取器
4．2．3 跟蹤器陣列
4．2．4 渲染器
4．2．5 損失
4．3 重優(yōu)先化注意式跟蹤
4．3．1 使用注意力
4．3．2 將輸入作為記憶
4．3．3 重優(yōu)先化跟蹤器
4．3．4 使用自適應(yīng)計算時間
4．4 實驗
……
第5章 基于雙過程理論的分層局部路徑規(guī)劃
參考文獻
附錄A 面向動態(tài)場景預(yù)測的張量式循環(huán)神經(jīng)網(wǎng)絡(luò)
附錄B 面向無監(jiān)督多目標檢測的記憶式循環(huán)注意力網(wǎng)絡(luò)
附錄C 面向無監(jiān)督多目標跟蹤的重優(yōu)先化循環(huán)注意力網(wǎng)絡(luò)
展開全部
書友推薦
- >
二體千字文
- >
伯納黛特,你要去哪(2021新版)
- >
唐代進士錄
- >
名家?guī)阕x魯迅:故事新編
- >
回憶愛瑪儂
- >
中國歷史的瞬間
- >
苦雨齋序跋文-周作人自編集
- >
我與地壇
本類暢銷
