×
超值优惠券
¥50
100可用 有效期2天

全场图书通用(淘书团除外)

关闭
新能源与智能汽车技术丛书--智能汽车环境感知技术

新能源与智能汽车技术丛书--智能汽车环境感知技术

1星价 ¥65.7 (6.7折)
2星价¥65.7 定价¥98.0
暂无评论
图文详情
  • ISBN:9787122442956
  • 装帧:平装
  • 册数:暂无
  • 重量:暂无
  • 开本:16开
  • 页数:174
  • 出版时间:2024-01-01
  • 条形码:9787122442956 ; 978-7-122-44295-6

本书特色

(1)《智能汽车环境感知技术》是一本难得的实用技术专著,全面系统地展示了目前的智能车辆环境感知算法研究成果。(2)从学术界及工业界的角度出发,探讨了深度学习和神经网络等关键算法在环境感知领域的应用以及学术界需要攻克的重难点。(3)强调知识的应用性,具有较强的针对性,适合汽车研发设计、教学科研等相关人员使用。

内容简介

本书全面系统地介绍了智能汽车环境感知技术,包括汽车的智能化、环境感知技术的重要性及国内外研究现状,智能汽车感知系统及传感器的标定方法,基于单目视觉的环境感知技术,基于MobileNetv2_CA-YOLOv4的环境感知技术,基于MCDVformer的多任务环境感知技术,基于点云数据增强的环境感知技术,基于两阶段序列融合的环境感知技术,基于多模态融合的环境感知技术,等等。 本书从学术界及工业界的角度出发,全面阐述了全新的环境感知算法,深入探讨了深度学习和神经网络等关键算法在环境感知领域的应用以及学术界需要攻克的重难点,可作为从事汽车行业的工程算法人员及相关专业的本科生、研究生的参考书,也可供智能汽车爱好者阅读。

目录

第1章 绪论0011.1 汽车的智能化0021.1.1 智能汽车0021.1.2 智能网联汽车0021.1.3 无人驾驶汽车0031.2 环境感知技术的重要性0041.3 国内外研究现状0061.3.1 基于图像的环境感知技术0061.3.2 基于点云的环境感知技术0101.3.3 基于多传感器融合的环境感知技术0121.3.4 基于多任务网络的环境感知技术013第2章 智能汽车感知系统及传感器标定方法0152.1 感知系统介绍0162.1.1 感知系统架构0162.1.2 传感器介绍0172.2 单目相机标定0192.2.1 相机成像模型0192.2.2 相机内参标定0222.3 相机和激光雷达联合标定0252.3.1 相机坐标系和激光雷达坐标系的转换模型0252.3.2 外参的联合标定026本章小结031第3章 基于单目视觉的环境感知技术0333.1 深度学习理论及相关方法介绍0343.1.1 注意力机制0343.1.2 注意力机制的计算0343.1.3 自注意力机制0353.2 VisionTransformer0373.3 SwinDeformableTransformer-BiPAFPN-YOLOX目标检测算法0413.3.1 DarkNet53-PAFPN-YOLOX目标检测算法0413.3.2 SwinDeformableTransformer-BiPAFPN-YOLOX目标检测算法整体结构0453.3.3 重建可变形自注意力机制0463.3.4 主干网络:SwinDeformableTransformer0483.3.5 颈部:BiPAFPN0513.4 实验与分析0533.4.1 实验平台搭建0533.4.2 数据集0533.4.3 评价标准0533.4.4 训练策略0553.4.5 实验数据统计与分析0553.5 实车实验0623.5.1 实验设备介绍0623.5.2 实时检测064本章小结067第4章 基于MobileNetv2_CA-YOLOv4的环境感知技术0694.1 MobileNetv2_CA-YOLOv4的轻量化目标检测算法0704.1.1 深度可分离卷积0704.1.2 网络结构的构建0714.1.3 注意力机制及对比0744.1.4 协调注意力机制CoordinateAttention(CA)的嵌入0754.1.5 构造网络损失函数0784.1.6 马赛克图像增强方法0794.2 MobileNetv2_CA-YOLOv4目标检测算法的实验与分析0804.2.1 实验平台0804.2.2 数据集介绍0814.2.3 模型训练0814.2.4 评价指标0824.2.5 实验结果分析0824.2.6 目标检测结果对比086本章小结089第5章 基于MCDVformer的多任务环境感知技术0915.1 多任务主干MCDVformer介绍0925.1.1 整体结构0925.1.2 移位窗口自注意力机制0925.1.3 重建可变形自注意力机制0935.1.4 关键点可变形自/交叉注意力机制0945.1.5 SwinDeformableEncoder-Decoder0955.1.6 密集残差连接0975.2 目标检测实验0985.2.1 数据集与评价标准0985.2.2 训练策略0985.2.3 定量实验分析0995.2.4 定性实验分析1005.3 实例分割实验1015.3.1 数据集、训练策略与评价指标1015.3.2 定量实验分析1015.3.3 定性实验分析1035.4 目标分类实验1035.4.1 数据集以及评价指标1035.4.2 训练策略1045.4.3 定量实验分析1045.5 语义分割实验1065.5.1 数据集与评价指标1065.5.2 训练策略1065.5.3 定量实验分析1065.5.4 定性实验分析1085.6 消融实验1095.7 实车实验1135.7.1 目标检测实车实验1135.7.2 实例分割实车实验1155.7.3 语义分割实车实验117本章小结118第6章 基于点云数据增强的环境感知技术1196.1 点云密度和语义增强框架与流程1206.1.1 点云密度增强1216.1.2 点云语义增强1226.2 点云和图像之间的坐标转换1246.3 数据集和检测器细节1256.4 实验和结果分析1266.4.1 nuScenes数据集的评价指标1266.4.2 nuScenes数据集上的实验结果1276.4.3 KITTI数据集上的实验结果1276.5 消融实验1286.5.1 点云密度增强的有效性验证1296.5.2 点云语义增强的有效性验证1316.5.3 D-SAugmentation整体性能的有效性验证132本章小结134第7章 基于两阶段序列融合的环境感知技术1357.1 多模态传感器数据融合方法及概念1367.2 两阶段序列融合网络1377.3 *近群组关联的点云语义增强1377.3.1 点云语义增强模块1387.3.2 *近群组关联1387.4 基于置信度和距离的非极大值抑制1417.4.1 基于置信度的非极大值抑制1417.4.2 级联距离与置信度的非极大值抑制1417.5 实验结果及分析1437.5.1 数据集介绍1437.5.2 二维检测器的配置1437.5.3 三维检测器的配置1447.5.4 融合模块的配置1447.5.5 检测结果及对比1457.6 消融实验1467.6.1 NGP模块的有效性1467.6.2 C-DNMS模块的有效性1477.6.3 TSF整体网络的有效性149本章小结150第8章 基于多模态融合的环境感知技术1518.1 多模态融合环境感知算法问题描述1528.2 MFF-Net总体框架1538.2.1 空间变换投影(STP)1548.2.2 自适应表达增强(AEE)融合1558.2.3 自适应非极大值抑制(A-NMS)算法1578.3 实验设置1588.3.1 实验环境1588.3.2 网络细节1598.3.3 KITTI数据集评价指标1598.3.4 网络训练参数1598.4 实验结果和分析1608.4.1 KITTI测试结果与分析1608.4.2 nuScenes测试结果与分析1628.5 消融实验1628.5.1 定量实验分析1638.5.2 定性实验分析164本章小结167参考文献168
展开全部

预估到手价 ×

预估到手价是按参与促销活动、以最优惠的购买方案计算出的价格(不含优惠券部分),仅供参考,未必等同于实际到手价。

确定
快速
导航