自动驾驶类脑目标检测技术

第1章 面向自动驾驶目标检测技术概述 001 1.1 自动驾驶蓬勃发展 002 1.1.1 什么是自动驾驶 002 1.1.2 自动驾驶等级 002 1.1.3 自动驾驶发展状况概述 003 1.1.4 典型的自动驾驶车辆 004 1.2 自动驾驶车辆的环境感知 008 1.2.1 自动驾驶车辆常用的传感器 008 扩展阅读：自动驾驶车辆挑战赛与激光雷达 011 1.2.2 自动驾驶车辆传感器的布局 014 1.3 面向自动驾驶的目标检测技术 016 1.3.1 什么是目标检测技术 016 1.3.2 目标检测技术的研究概述 018 1.3.3 传统的基于特征的目标检测方法 018 1.3.4 基于深度学习的视觉目标检测研究状况 019 1.3.5 目标检测技术在自动驾驶中的应用 024 1.3.6 面向自动驾驶的目标检测技术存在的问题 025 扩展阅读：趣谈AI 对抗攻击 027 第2章 类脑目标检测技术 外研究状况分析 030 2.1 轻量化仿视觉皮层目标检测模型研究现状 031 2.2 基于视觉注意机制的目标检测研究现状 033 2.3 基于神经元稀疏性的模型压缩研究现状 037 第3章 面向自动驾驶的目标检测模型训练与测试数据集的构建 040 3.1 构建面向自动驾驶的目标检测模型训练与测试数据集的必要性 041 3.2 面向城市道路的自动驾驶视觉目标检测数据集的构建 042 3.3 噪声干扰测试数据集构建 047 3.4 面向城市道路的自动驾驶视觉目标检测数据集特点 053 第4章 仿视觉皮层的目标检测网络构建 054 4.1 视觉皮层信息处理功能简介 055 4.2 受初级视觉皮层启发的预处理模型构建 055 4.3 性能对比结果分析 058 4.3.1 性能对比基准模型介绍 058 4.3.2 基于COCO 数据集的性能评估 058 问题点睛 060 第5章 基于视觉注意原理的目标检测网络能力提升 062 5.1 人类视觉注意机制概述 063 5.2 坐标注意力模块构建 064 5.3 基于注意机制的仿视觉皮层目标检测模型具体实现 066 5.4 性能对比结果分析 069 5.4.1 性能对比基准模型介绍 069 5.4.2 在COCO 数据集下目标检测性能评估 070 5.4.3 在面向自动驾驶目标检测数据集下的目标检测性能评估 071 5.4.4 面向自动驾驶目标检测噪声干扰测试数据集下的目标检测性能评估 072 问题点睛 075 第6章 基于神经元稀疏特性的模型压缩与剪枝技术 076 6.1 压缩剪枝的总体思路 077 6.2 具体实现过程 078 6.2.1 对类脑目标检测模型v1、v2 的压缩与剪枝 078 6.2.2 对类脑目标检测模型v3、v4 的压缩与剪枝 079 6.3 压缩剪枝后的网络模型 080 6.4 压缩剪枝后的模型性能结果分析 084 6.4.1 在COCO 数据集下类脑目标检测模型压缩剪枝性能测试 084 6.4.2 在面向城市道路的自动驾驶目标检测数据集下的性能测试 085 第7章 在面向自动驾驶的目标检测数据集上的验证 087 7.1 在未添加干扰数据集上的验证 088 7.2 在添加干扰数据集上的验证 100 7.3 目标检测演示系统的构建 132 第8章 类脑目标检测算法在自动驾驶沙盘上的实现 137 8.1 面向自动驾驶沙盘的构建 138 8.2 面向自动驾驶沙盘演示的自动驾驶数据集的构建及训练 140 8.3 在自动驾驶沙盘上的演示验证 143 第9章 基于自动驾驶物流车的类脑目标检测演示验证 150 9.1 自动驾驶物流车验证的必要性 151 9.2 自动驾驶物流车平台 151 9.2.1 硬件平台 151 9.2.2 驱动与负载 152 9.2.3 核心硬件 152 9.2.4 自动驾驶物流车的功能 154 9.3 类脑目标检测算法在自动驾驶物流车上的演示验证 154 0章 基于自动驾驶车辆的高抗扰性目标检测演示验证 162 10.1 自动驾驶车辆传感器布局 163 10.2 自动驾驶车辆软件架构 164 10.3 基于自动驾驶车辆演示验证 165 10.4 主要创新性工作 172 参考文献 173