目錄
“信息科學(xué)技術(shù)學(xué)術(shù)著作叢書(shū)”序
前言
第1章 緒論1
1.1 人工智能1
1.2 視覺(jué)智能1
1.3 交通場(chǎng)景環(huán)境感知2
1.3.1 交通場(chǎng)景的定義2
1.3.2 交通場(chǎng)景中的視覺(jué)認(rèn)知2
1.4 本章小結(jié)3
參考文獻(xiàn)3
第2章 神經(jīng)網(wǎng)絡(luò)5
2.1 感知機(jī)5
2.2 基于梯度下降的學(xué)習(xí)方法6
2.3 隱層單元8
2.4 反向傳播算法9
2.5 本章小結(jié)10
參考文獻(xiàn)10
第3章 卷積神經(jīng)網(wǎng)絡(luò)11
3.1 網(wǎng)絡(luò)的基本部件11
3.1.1 卷積層11
3.1.2 池化層12
3.1.3 激活函數(shù)13
3.1.4 全連接層14
3.2 經(jīng)典網(wǎng)絡(luò)模型14
3.2.1 Alex-Net網(wǎng)絡(luò)模型14
3.2.2 VGG-Nets網(wǎng)絡(luò)模型15
3.2.3 GoogLeNet網(wǎng)絡(luò)模型17
3.2.4 殘差網(wǎng)絡(luò)模型18
3.3 經(jīng)典目標(biāo)檢測(cè)網(wǎng)絡(luò)19
3.3.1 基于two-stage的算法20
3.3.2 基于one-stage的算法21
3.4 本章小結(jié)23
參考文獻(xiàn)23
第4章 深度神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法25
4.1 深度網(wǎng)絡(luò)優(yōu)化中的問(wèn)題25
4.1.1 局部極小值25
4.1.2 高原、鞍點(diǎn)和其他平坦區(qū)域26
4.1.3 梯度消失和梯度爆炸28
4.1.4 優(yōu)化的理論限制28
4.2 隨機(jī)梯度下降29
4.3 自適應(yīng)學(xué)習(xí)率算法29
4.4 優(yōu)化策略30
4.5 本章小結(jié)32
參考文獻(xiàn)32
第5章 深度神經(jīng)網(wǎng)絡(luò)模型壓縮34
5.1 深度網(wǎng)絡(luò)模型壓縮的研究現(xiàn)狀34
5.2 網(wǎng)絡(luò)模型的壓縮策略37
5.2.1 低秩近似37
5.2.2 量化與二值網(wǎng)絡(luò)38
5.2.3 剪枝與裁剪38
5.3 基于殘差結(jié)構(gòu)的輕量化卷積模型39
5.3.1 殘差網(wǎng)絡(luò)及其變體39
5.3.2 輕量化卷積模型的設(shè)計(jì)41
5.3.3 實(shí)驗(yàn)及結(jié)果分析46
5.4 面向輕量化模型的知識(shí)遷移方法48
5.4.1 基于注意力的知識(shí)遷移模型48
5.4.2 面向輕量化模型的知識(shí)遷移方法50
5.4.3 實(shí)驗(yàn)結(jié)果及分析51
5.5 駕駛環(huán)境下的實(shí)時(shí)目標(biāo)檢測(cè)方法55
5.5.1 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)模型56
5.5.2 基于知識(shí)遷移的實(shí)時(shí)目標(biāo)檢測(cè)方法60
5.5.3 實(shí)驗(yàn)及結(jié)果分析62
5.5.4 真實(shí)道路數(shù)據(jù)集測(cè)試63
5.6 本章小結(jié)66
參考文獻(xiàn)66
第6章 行人檢測(cè)70
6.1 行人檢測(cè)數(shù)據(jù)集71
6.2 評(píng)估方法72
6.3 基于YOLO多尺度空間特征融合的道路區(qū)域行人檢測(cè)方法73
6.3.1 多尺度特征提取模塊73
6.3.2 基于注意力機(jī)制的特征融合模塊74
6.3.3 特征分類(lèi)和坐標(biāo)回歸75
6.3.4 模型訓(xùn)練和驗(yàn)證76
6.4 多階段級(jí)聯(lián)網(wǎng)絡(luò)行人檢測(cè)算法79
6.4.1 多階段級(jí)聯(lián)網(wǎng)絡(luò)算法概述79
6.4.2 第一階段網(wǎng)絡(luò)設(shè)計(jì)80
6.4.3 第二階段網(wǎng)絡(luò)設(shè)計(jì)85
6.4.4 第三階段網(wǎng)絡(luò)設(shè)計(jì)87
6.5 網(wǎng)絡(luò)模型訓(xùn)練與測(cè)試88
6.5.1 困難樣本挖掘88
6.5.2 損失函數(shù)設(shè)計(jì)89
6.5.3 模型訓(xùn)練與測(cè)試配置90
6.6 多階段級(jí)聯(lián)網(wǎng)絡(luò)模型的有效性分析91
6.6.1 不同算法性能對(duì)比91
6.6.2 各模塊消融實(shí)驗(yàn)94
6.7 本章小結(jié)96
參考文獻(xiàn)97
第7章 地面標(biāo)志線(xiàn)檢測(cè)100
7.1 地面標(biāo)志定義100
7.2 地面標(biāo)志結(jié)構(gòu)化處理101
7.2.1 逆透視變換102
7.2.2 車(chē)道線(xiàn)自適應(yīng)擬合處理104
7.2.3 地面指示箭頭結(jié)構(gòu)化處理109
7.3 基于傳統(tǒng)算法的地面標(biāo)志檢測(cè)110
7.3.1 車(chē)道線(xiàn)檢測(cè)111
7.3.2 斑馬線(xiàn)檢測(cè)121
7.3.3 停止線(xiàn)檢測(cè)124
7.4 基于深度學(xué)習(xí)的地面標(biāo)志檢測(cè)126
7.4.1 基于編碼器-解碼器的算法127
7.4.2 基于整合上下文信息的算法128
7.5 基于改進(jìn)Mask R-CNN實(shí)例分割網(wǎng)絡(luò)的地面標(biāo)志檢測(cè)方法130
7.5.1 Mask R-CNN實(shí)例分割網(wǎng)絡(luò)架構(gòu)130
7.5.2 Mask R-CNN實(shí)例分割網(wǎng)絡(luò)的改進(jìn)及優(yōu)化133
7.5.3 基于改進(jìn)Mask R-CNN的分割實(shí)驗(yàn)結(jié)果133
7.6 地面標(biāo)志檢測(cè)綜合實(shí)驗(yàn)結(jié)果及應(yīng)用134
7.6.1 實(shí)驗(yàn)數(shù)據(jù)集介紹134
7.6.2 評(píng)定標(biāo)準(zhǔn)135
7.6.3 實(shí)驗(yàn)結(jié)果及分析136
7.7 本章小結(jié)141
參考文獻(xiàn)141
第8章 交通信號(hào)檢測(cè)145
8.1 交通信號(hào)介紹145
8.2 基于特征融合的交通信號(hào)檢測(cè)151
8.2.1 算法結(jié)構(gòu)設(shè)計(jì)151
8.2.2 實(shí)驗(yàn)結(jié)果與分析154
8.3 基于深度級(jí)聯(lián)網(wǎng)絡(luò)的交通標(biāo)識(shí)檢測(cè)156
8.3.1 級(jí)聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)156
8.3.2 精準(zhǔn)分類(lèi)網(wǎng)絡(luò)157
8.3.3 實(shí)驗(yàn)結(jié)果分析與參賽測(cè)試證明161
8.4 本章小結(jié)163
參考文獻(xiàn)163
第9章 前方車(chē)輛位置監(jiān)測(cè)165
9.1 基于Faster R-CNN的2D車(chē)輛檢測(cè)165
9.1.1 整體框架結(jié)構(gòu)165
9.1.2 RPN結(jié)構(gòu)與錨點(diǎn)生成165
9.1.3 尺度歸一化166
9.1.4 損失函數(shù)167
9.1.5 測(cè)試結(jié)果167
9.2 基于關(guān)鍵點(diǎn)回歸網(wǎng)絡(luò)的3D車(chē)輛檢測(cè)169
9.2.1 算法整體流程169
9.2.2 關(guān)鍵點(diǎn)回歸169
9.2.3 回歸網(wǎng)絡(luò)170
9.2.4 損失函數(shù)171
9.2.5 3D包圍框估計(jì)171
9.2.6 測(cè)試結(jié)果174
9.3 基于車(chē)輛下邊沿和逆透視變換的車(chē)距測(cè)量175
9.3.1 算法整體流程175
9.3.2 車(chē)輛下邊沿及關(guān)鍵點(diǎn)計(jì)算175
9.3.3 逆透視變換模型176
9.4 本章小結(jié)180
參考文獻(xiàn)180
第10章 疲勞駕駛檢測(cè)181
10.1 駕駛員的人臉檢測(cè)181
10.1.1 人臉檢測(cè)概述181
10.1.2 基于級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)182
10.1.3 基于ShuffleNet改進(jìn)的MTCNN人臉檢測(cè)模型185
10.1.4 實(shí)驗(yàn)結(jié)果與分析188
10.2 駕駛員去人臉遮擋的人臉關(guān)鍵點(diǎn)檢測(cè)189
10.2.1 基于生成對(duì)抗網(wǎng)絡(luò)與自編碼器的人臉去遮擋189
10.2.2 基于深度回歸網(wǎng)絡(luò)與去人臉遮擋網(wǎng)絡(luò)的人臉關(guān)鍵點(diǎn)檢測(cè)191
10.2.3 實(shí)驗(yàn)結(jié)果與分析192
10.3 本章小結(jié)196
參考文獻(xiàn)197
第11章 視覺(jué)智能在駕駛安全中的應(yīng)用198
11.1 行人意圖分析198
11.1.1 行人意圖預(yù)測(cè)的難點(diǎn)198
11.1.2 行人與周?chē)�環(huán)境的交互198
11.1.3 行人與其他人的交互199
11.1.4 行人與本車(chē)的交互199
11.1.5 意圖預(yù)測(cè)方法199
11.2 車(chē)道偏離檢測(cè)199
11.3 駕駛員疲勞檢測(cè)系統(tǒng)設(shè)計(jì)和實(shí)現(xiàn)200
11.4 本章小結(jié)201
參考文獻(xiàn)202