×
基于深度学习的视频车道线检测技术

包邮基于深度学习的视频车道线检测技术

1星价 ¥84.5 (6.6折)
2星价¥84.5 定价¥128.0
暂无评论
图文详情
  • ISBN:9787122452078
  • 装帧:平装
  • 册数:暂无
  • 重量:暂无
  • 开本:16开
  • 页数:190
  • 出版时间:2024-06-01
  • 条形码:9787122452078 ; 978-7-122-45207-8

本书特色

(1)本书的目标是为读者提供一个全面的、深入的了解基于深度学习的视频车道线检测技术。(2)本书从基础概念开始,逐步深入研究模型、数据集、训练策略和实际应用,展开介绍多种深度学习模型,包括卷积神经网络、Swin Transformer以及它们的变种和组合。(3)本书还探讨该领域的前沿研究,如多模态感知、不确定性建模、端到端自动驾驶系统等,这些内容将有助于读者更好地理解车道线检测技术的发展趋势和未来应用。

内容简介

在当今的自动驾驶和智能交通系统领域,视频车道线检测技术扮演着至关重要的角色。本书将带您深入探索这一领域,揭示如何使用深度学习技术来实现精确、鲁棒和实时的车道线检测。本书全面系统地介绍了基于深度学习的视频车道线检测技术,包括基于深度学习的车道线检测理论基础、基于Swin Transformer的车道线检测技术、基于深度混合网络的连续多帧驾驶场景的鲁棒车道线检测技术、基于深度学习的视频车道线检测技术、基于MMA-Net的轻量级视频实例车道线检测技术、基于记忆模板的多帧实例车道线检测技术、未来展望与发展趋势等。本书可供从事自动驾驶、交通工程、计算机视觉、深度学习等方面的技术人员参考,亦可供高等院校相关专业师生参考使用。

目录

第1章 绪论 001
1.1 研究背景及意义 002
1.1.1 研究背景 002
1.1.2 研究意义 003
1.2 国内外研究现状 005
1.2.1 基于图像处理的车道线检测技术 007
1.2.2 基于CNN的车道线检测技术 008
1.3 本书结构概览 013 第2章 基于深度学习的车道线检测理论基础 015
2.1 卷积神经网络 016
2.1.1 卷积层 016
2.1.2 池化层 017
2.1.3 激活函数 017
2.1.4 全连接层 018
2.1.5 批量归一化层 019
2.1.6 损失函数 019
2.2 卷积神经网络的应用 020
2.2.1 目标检测 021
2.2.2 图像分割 021
2.3 车道线检测 023
2.3.1 基于传统方法的车道线检测 023
2.3.2 基于深度学习的车道线检测 024
2.4 数据集 027
2.4.1 交通场景数据集 028
2.4.2 车道线检测数据集 032
2.4.3 数据集总结 036
2.5 数据预处理 038
2.6 性能评估 039
本章小结 040 第3章 基于Swin Transformer的车道线检测技术 041
3.1 系统概述 042
3.2 网络设计 044
3.2.1 车道边缘建议网络 044
3.2.2 车道线定位网络 048
3.3 训练策略 049
3.3.1 车道边缘建议网络 049
3.3.2 车道线定位网络 050
3.4 实验和结果 052
3.4.1 数据集 052
3.4.2 超参数设置和硬件环境 053
3.4.3 性能评估 053
3.4.4 测试结果可视化 057
本章小结 065 第4章 基于深度混合网络的连续多帧驾驶场景的鲁棒车道线检测技术 067
4.1 系统概述 068
4.2 网络设计 069
4.2.1 优化的MAE网络 069
4.2.2 掩码技术 070
4.2.3 基于MAE架构的编解码器网络 070
4.3 训练策略 077
4.4 实验和结果 078
4.4.1 数据集 078
4.4.2 超参数设置和硬件环境 080
4.4.3 实验评估和比较 080
4.4.4 消融实验 094
4.4.5 结果与讨论 095
本章小结 096 第5章 基于深度学习的视频车道线检测技术 097
5.1 时空记忆网络 098
5.1.1 Key与Value空间的嵌入张量 098
5.1.2 STM网络结构 099
5.2 多级记忆聚合模块 101
5.3 Siamese网络 104
5.3.1 深度相似性学习 104
5.3.2 全卷积暹罗网络 105
5.4 自适应模板匹配 106
5.4.1 目标的嵌入向量 106
5.4.2 自适应模板匹配与更新 107
本章小结 110 第6章 基于MMA-Net的轻量级视频实例车道线检测技术 111
6.1 FMMA-Net网络结构 112
6.2 记忆帧编码器设计 112
6.2.1 ResNet-18-FA网络结构 115
6.2.2 融合与注意力模块 115
6.3 查询帧编码器设计 118
6.3.1 STDC网络结构与分析 119
6.3.2 G-STDC网络结构 123
6.3.3 全局上下文模块 124
6.4 网络的损失函数 125
6.4.1 实例车道线存在预测损失函数 125
6.4.2 实例车道线的mIoU损失函数 125
6.4.3 总损失函数 126
6.5 实验结果与分析 126
6.5.1 VIL-100数据集 126
6.5.2 图像级评价标准 128
6.5.3 实验环境搭建与训练 130
6.5.4 定量实验结果与分析 130
6.5.5 定性实验结果与分析 131
6.5.6 融合与注意力模块的有效性 131
6.5.7 全局上下文模块的有效性 133
本章小结 136 第7章 基于记忆模板的多帧实例车道线检测技术 137
7.1 网络整体结构 138
7.2 记忆模板的工作原理 138
7.3 记忆模板的结构设计 141
7.3.1 全局动态特征 141
7.3.2 局部动态特征 142
7.4 模板匹配与时空记忆中的固有误差 145
7.4.1 模板匹配中的固有误差分析 145
7.4.2 时空记忆中的固有误差分析 146
7.4.3 记忆固有误差传播 146
7.5 多目标转移矩阵损失函数 149
7.6 实验准备 151
7.6.1 TuSimple数据集 151
7.6.2 CULane数据集 152
7.6.3 视频级车道线评价标准 152
7.6.4 实验环境搭建 154
7.6.5 训练结果 155
7.7 消融实验结果与分析 156
7.7.1 记忆的有效性 157
7.7.2 融合与注意力模块的有效性 158
7.7.3 记忆模板的有效性 158
7.7.4 多目标转移矩阵的有效性 159
7.8 对比实验结果与分析 161
7.8.1 在VIL-100中定量分析与对比 161
7.8.2 在VIL-100中定性分析与对比 162
7.8.3 在TuSimple中进行定量与定性分析与对比 164
7.8.4 在CULane中进行定量与定性分析与对比 165
7.9 实车实验 168
7.9.1 实验装置介绍 168
7.9.2 相机标定模型搭建 170
7.9.3 相机标定实验 172
7.9.4 实时视频检测 174
本章小结 178 第8章 未来展望与发展趋势 179
8.1 深度学习技术的进一步应用 180
8.2 智能交通系统的发展前景 181
8.3 车道线检测技术的创新方向 182 参考文献 183
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