前言
第1部分　深度學(xué)習(xí)和自動(dòng)駕駛汽車基礎(chǔ)
第1章　自動(dòng)駕駛汽車基礎(chǔ)2
1.1　自動(dòng)駕駛汽車簡介2
1.1.1　自動(dòng)駕駛汽車的優(yōu)勢5
1.1.2　自動(dòng)駕駛汽車的進(jìn)展6
1.2　當(dāng)前部署中的挑戰(zhàn)8
1.2.1　建立安全系統(tǒng)9
1.2.2　硬件10
1.2.3　軟件編程15
1.2.4　高速互聯(lián)網(wǎng)15
1.3　自動(dòng)駕駛等級(jí)15
1.4　深度學(xué)習(xí)和計(jì)算機(jī)視覺在自動(dòng)駕駛汽車中的應(yīng)用16
1.5　總結(jié)18
第2章　深入了解深度神經(jīng)網(wǎng)絡(luò)19
2.1　深入了解神經(jīng)網(wǎng)絡(luò)20
2.2　理解神經(jīng)元和感知器22
2.3　人工神經(jīng)網(wǎng)絡(luò)的工作原理25
2.4　理解激活函數(shù)26
2.4.1　閾值函數(shù)26
2.4.2　Sigmoid函數(shù)26
2.4.3　整流線性函數(shù)27
2.4.4　雙曲正切激活函數(shù)28
2.5　神經(jīng)網(wǎng)絡(luò)的損失函數(shù)29
2.6　優(yōu)化器30
2.7　理解超參數(shù)31
2.7.1　模型訓(xùn)練超參數(shù)31
2.7.2　網(wǎng)絡(luò)架構(gòu)超參數(shù)34
2.8　TensorFlow與Keras的對比36
2.9　總結(jié)36
第3章　使用Keras實(shí)現(xiàn)深度學(xué)習(xí)模型37
3.1　開始使用Keras37
3.1.1　Keras的優(yōu)點(diǎn)38
3.1.2　Keras的工作原理38
3.1.3　構(gòu)建Keras模型38
3.1.4　Keras執(zhí)行類型41
3.2　Keras深度學(xué)習(xí)41
3.3　構(gòu)建第一個(gè)深度學(xué)習(xí)模型44
3.3.1　Auto-Mpg數(shù)據(jù)集介紹44
3.3.2　導(dǎo)入數(shù)據(jù)45
3.3.3　分割數(shù)據(jù)47
3.3.4　標(biāo)準(zhǔn)化數(shù)據(jù)48
3.3.5　構(gòu)建和編譯模型48
3.3.6　訓(xùn)練模型49
3.3.7　預(yù)測新的、未知的模型52
3.3.8　評(píng)估模型的性能53
3.3.9　保存和加載模型54
3.4　總結(jié)54
第2部分　深度學(xué)習(xí)和計(jì)算機(jī)視覺
第4章　自動(dòng)駕駛汽車中的計(jì)算機(jī)視覺56
4.1　計(jì)算機(jī)視覺介紹56
4.1.1　計(jì)算機(jī)視覺的挑戰(zhàn)57
4.1.2　人工眼睛與人眼的對比59
4.2　圖像的基本構(gòu)建塊60
4.2.1　圖像的數(shù)字表示60
4.2.2　從RGB到灰度圖像的轉(zhuǎn)換62
4.2.3　道路標(biāo)記檢測64
4.3　顏色空間技術(shù)68
4.3.1　RGB顏色空間68
4.3.2　HSV顏色空間68
4.3.3　顏色空間操作70
4.4　卷積介紹78
4.5　邊緣檢測和梯度計(jì)算87
4.5.1　Sobel的介紹87
4.5.2　Laplacian邊緣檢測器的介紹88
4.5.3　Canny邊緣檢測89
4.6　圖像變換93
4.6.1　仿射變換93
4.6.2　投影變換94
4.6.3　圖像旋轉(zhuǎn)94
4.6.4　圖像平移96
4.6.5　圖像縮放97
4.6.6　透視變換99
4.6.7　圖像裁剪、腐蝕和膨脹102
4.6.8　使用掩模提取感興趣區(qū)域107
4.6.9　霍夫（Hough）變換109
4.7　總結(jié)115
第5章　使用OpenCV查找道路標(biāo)志116
5.1　在圖像中查找道路標(biāo)志116
5.1.1　使用OpenCV加載圖像116
5.1.2　將圖像轉(zhuǎn)換為灰度圖像117
5.1.3　平滑圖像118
5.1.4　Canny邊緣檢測119
5.1.5　使用掩模提取感興趣區(qū)域120
5.1.6　應(yīng)用bitwise_and122
5.1.7　應(yīng)用霍夫變換123
5.1.8　優(yōu)化檢測到的道路標(biāo)志127
5.2　在視頻中檢測道路標(biāo)志130
5.3　總結(jié)132
第6章　使用CNN改進(jìn)圖像分類器133
6.1　計(jì)算機(jī)格式中的圖像133
6.1.1　CNN的必要性133
6.1.2　CNN背后的直覺134
6.2　CNN介紹135
6.2.1　為什么需要3D層135
6.2.2　理解卷積層135
6.2.3　深度、步長和零填充139
6.2.4　ReLU141
6.2.5　全連接層142
6.3　手寫數(shù)字識(shí)別介紹142
6.3.1　問題和目標(biāo)143
6.3.2　加載數(shù)據(jù)143
6.3.3　重塑數(shù)據(jù)146
6.3.4　數(shù)據(jù)的轉(zhuǎn)換146
6.3.5　對輸出進(jìn)行獨(dú)熱編碼146
6.3.6　構(gòu)建和編譯模型148
6.3.7　訓(xùn)練模型149
6.3.8　驗(yàn)證損失與訓(xùn)練損失150
6.3.9　驗(yàn)證與測試準(zhǔn)確度151
6.3.10　保存模型152
6.3.11　可視化模型架構(gòu)152
6.3.12　混淆矩陣153
6.3.13　準(zhǔn)確度報(bào)告155
6.4　總結(jié)157
第7章　使用深度學(xué)習(xí)進(jìn)行道路標(biāo)志檢測158
7.1　數(shù)據(jù)集概述158
7.1.1　數(shù)據(jù)集結(jié)構(gòu)158
7.1.2　圖像格式159
7.2　加載數(shù)據(jù)160
7.3　圖像探索161
7.4　數(shù)據(jù)準(zhǔn)備162
7.5　模型訓(xùn)練163
7.6　模型準(zhǔn)確度164
7.7　總結(jié)168
第3部分　自動(dòng)駕駛汽車中的語義分割
第8章　語義分割的原理和基礎(chǔ)170
8.1　語義分割簡介171
8.2　語義分割架構(gòu)的理解171
8.3　不同語義分割架構(gòu)的概述173
8.3.1　U-Net173
8.3.2　SegNet174
8.3.3　PSPNet175
8.3.4　DeepLabv3 176
8.3.5　E-Net177
8.4　總結(jié)179
第9章　語義分割的實(shí)現(xiàn)180
9.1　圖像中的語義分割180
9.2　視頻中的語義分割185
9.3　總結(jié)188
第4部分　高級(jí)功能實(shí)現(xiàn)
第10章　基于深度學(xué)習(xí)的行為克隆190
10.1　回歸神經(jīng)網(wǎng)絡(luò)190
10.2　使用深度學(xué)習(xí)進(jìn)行行為克隆194
10.2.1　數(shù)據(jù)收集194
10.2.2　數(shù)據(jù)準(zhǔn)備198
10.2.3　模型開發(fā)209
10.2.4　評(píng)估模擬器211
10.3　總結(jié)213
第11章　基于OpenCV和深度學(xué)習(xí)的車輛檢測214
11.1　YOLO特點(diǎn)215
11.2　YOLO損失函數(shù)215
11.3　YOLO架構(gòu)216
11.4　YOLO目標(biāo)檢測的實(shí)現(xiàn)217
11.4.1　導(dǎo)入庫218
11.4.2　圖像處理函數(shù)218
11.4.3　類別獲取函數(shù)219
11.4.4　邊界框繪制函數(shù)219
11.4.5　圖像目標(biāo)檢測函數(shù)220
11.4.6　視頻目標(biāo)檢測函數(shù)220
11.4.7　導(dǎo)入YOLO221
11.4.8　檢測圖像中的物體221
11.4.9　檢測視頻中的物體223
11.5　總結(jié)223
第12章　未來工作及傳感器融合224
12.1　自動(dòng)駕駛汽車傳感器227
12.2　傳感器融合簡介228
12.3　卡爾曼濾波器229
12.4　總結(jié)229