第1章　面向自動駕駛目標檢測技術概述 001
1.1　自動駕駛蓬勃發(fā)展 002
1.1.1　什么是自動駕駛 002
1.1.2　自動駕駛等級 002
1.1.3　自動駕駛發(fā)展狀況概述 003
1.1.4　典型的自動駕駛車輛 004
1.2　自動駕駛車輛的環(huán)境感知 008
1.2.1　自動駕駛車輛常用的傳感器 008
擴展閱讀：自動駕駛車輛挑戰(zhàn)賽與激光雷達 011
1.2.2　自動駕駛車輛傳感器的布局 014
1.3　面向自動駕駛的目標檢測技術 016
1.3.1　什么是目標檢測技術 016
1.3.2　目標檢測技術的研究概述 018
1.3.3　傳統(tǒng)的基于特征的目標檢測方法 018
1.3.4　基于深度學習的視覺目標檢測研究狀況 019
1.3.5　目標檢測技術在自動駕駛中的應用 024
1.3.6　面向自動駕駛的目標檢測技術存在的問題 025
擴展閱讀：趣談AI 對抗攻擊 027

第2章　類腦目標檢測技術國內外研究狀況分析 030
2.1　輕量化仿視覺皮層目標檢測模型研究現狀 031
2.2　基于視覺注意機制的目標檢測研究現狀 033
2.3　基于神經元稀疏性的模型壓縮研究現狀 037

第3章　面向自動駕駛的目標檢測模型訓練與測試數據集的構建 040
3.1　構建面向自動駕駛的目標檢測模型訓練與測試數據集的必要性 041
3.2　面向城市道路的自動駕駛視覺目標檢測數據集的構建 042
3.3　噪聲干擾測試數據集構建 047
3.4　面向城市道路的自動駕駛視覺目標檢測數據集特點 053

第4章　仿視覺皮層的目標檢測網絡構建 054
4.1　視覺皮層信息處理功能簡介 055
4.2　受初級視覺皮層啟發(fā)的預處理模型構建 055
4.3　性能對比結果分析 058
4.3.1　性能對比基準模型介紹 058
4.3.2　基于COCO 數據集的性能評估 058
問題點睛 060

第5章　基于視覺注意原理的目標檢測網絡能力提升 062
5.1　人類視覺注意機制概述 063
5.2　坐標注意力模塊構建 064
5.3　基于注意機制的仿視覺皮層目標檢測模型具體實現 066
5.4　性能對比結果分析 069
5.4.1　性能對比基準模型介紹 069
5.4.2　在COCO 數據集下目標檢測性能評估 070
5.4.3　在面向自動駕駛目標檢測數據集下的目標檢測性能評估 071
5.4.4　面向自動駕駛目標檢測噪聲干擾測試數據集下的目標檢測性能評估 072
問題點睛 075

第6章　基于神經元稀疏特性的模型壓縮與剪枝技術 076
6.1　壓縮剪枝的總體思路 077
6.2　具體實現過程 078
6.2.1　對類腦目標檢測模型v1、v2 的壓縮與剪枝 078
6.2.2　對類腦目標檢測模型v3、v4 的壓縮與剪枝 079
6.3　壓縮剪枝后的網絡模型 080
6.4　壓縮剪枝后的模型性能結果分析 084
6.4.1　在COCO 數據集下類腦目標檢測模型壓縮剪枝性能測試 084
6.4.2　在面向城市道路的自動駕駛目標檢測數據集下的性能測試 085

第7章　在面向自動駕駛的目標檢測數據集上的驗證 087
7.1　在未添加干擾數據集上的驗證 088
7.2　在添加干擾數據集上的驗證 100
7.3　目標檢測演示系統(tǒng)的構建 132

第8章　類腦目標檢測算法在自動駕駛沙盤上的實現 137
8.1　面向自動駕駛沙盤的構建 138
8.2　面向自動駕駛沙盤演示的自動駕駛數據集的構建及訓練 140
8.3　在自動駕駛沙盤上的演示驗證 143

第9章　基于自動駕駛物流車的類腦目標檢測演示驗證 150
9.1　自動駕駛物流車驗證的必要性 151
9.2　自動駕駛物流車平臺 151
9.2.1　硬件平臺 151
9.2.2　驅動與負載 152
9.2.3　核心硬件 152
9.2.4　自動駕駛物流車的功能 154
9.3　類腦目標檢測算法在自動駕駛物流車上的演示驗證 154

第10章　基于自動駕駛車輛的高抗擾性目標檢測演示驗證 162
10.1　自動駕駛車輛傳感器布局 163
10.2　自動駕駛車輛軟件架構 164
10.3　基于自動駕駛車輛演示驗證 165
10.4　主要創(chuàng)新性工作 172

參考文獻 173