前言
第1部分　深度學習和自動駕駛汽車基礎
第1章　自動駕駛汽車基礎2
1.1　自動駕駛汽車簡介2
1.1.1　自動駕駛汽車的優(yōu)勢5
1.1.2　自動駕駛汽車的進展6
1.2　當前部署中的挑戰(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15
1.3　自動駕駛等級15
1.4　深度學習和計算機視覺在自動駕駛汽車中的應用16
1.5　總結18
第2章　深入了解深度神經網絡19
2.1　深入了解神經網絡20
2.2　理解神經元和感知器22
2.3　人工神經網絡的工作原理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　神經網絡的損失函數(shù)29
2.6　優(yōu)化器30
2.7　理解超參數(shù)31
2.7.1　模型訓練超參數(shù)31
2.7.2　網絡架構超參數(shù)34
2.8　TensorFlow與Keras的對比36
2.9　總結36
第3章　使用Keras實現(xiàn)深度學習模型37
3.1　開始使用Keras37
3.1.1　Keras的優(yōu)點38
3.1.2　Keras的工作原理38
3.1.3　構建Keras模型38
3.1.4　Keras執(zhí)行類型41
3.2　Keras深度學習41
3.3　構建第一個深度學習模型44
3.3.1　Auto-Mpg數(shù)據集介紹44
3.3.2　導入數(shù)據45
3.3.3　分割數(shù)據47
3.3.4　標準化數(shù)據48
3.3.5　構建和編譯模型48
3.3.6　訓練模型49
3.3.7　預測新的、未知的模型52
3.3.8　評估模型的性能53
3.3.9　保存和加載模型54
3.4　總結54
第2部分　深度學習和計算機視覺
第4章　自動駕駛汽車中的計算機視覺56
4.1　計算機視覺介紹56
4.1.1　計算機視覺的挑戰(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到灰度圖像的轉換62
4.2.3　道路標記檢測64
4.3　顏色空間技術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115
第5章　使用OpenCV查找道路標志116
5.1　在圖像中查找道路標志116
5.1.1　使用OpenCV加載圖像116
5.1.2　將圖像轉換為灰度圖像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　應用bitwise_and122
5.1.7　應用霍夫變換123
5.1.8　優(yōu)化檢測到的道路標志127
5.2　在視頻中檢測道路標志130
5.3　總結132
第6章　使用CNN改進圖像分類器133
6.1　計算機格式中的圖像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)字識別介紹142
6.3.1　問題和目標143
6.3.2　加載數(shù)據143
6.3.3　重塑數(shù)據146
6.3.4　數(shù)據的轉換146
6.3.5　對輸出進行獨熱編碼146
6.3.6　構建和編譯模型148
6.3.7　訓練模型149
6.3.8　驗證損失與訓練損失150
6.3.9　驗證與測試準確度151
6.3.10　保存模型152
6.3.11　可視化模型架構152
6.3.12　混淆矩陣153
6.3.13　準確度報告155
6.4　總結157
第7章　使用深度學習進行道路標志檢測158
7.1　數(shù)據集概述158
7.1.1　數(shù)據集結構158
7.1.2　圖像格式159
7.2　加載數(shù)據160
7.3　圖像探索161
7.4　數(shù)據準備162
7.5　模型訓練163
7.6　模型準確度164
7.7　總結168
第3部分　自動駕駛汽車中的語義分割
第8章　語義分割的原理和基礎170
8.1　語義分割簡介171
8.2　語義分割架構的理解171
8.3　不同語義分割架構的概述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179
第9章　語義分割的實現(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188
第4部分　高級功能實現(xiàn)
第10章　基于深度學習的行為克隆190
10.1　回歸神經網絡190
10.2　使用深度學習進行行為克隆194
10.2.1　數(shù)據收集194
10.2.2　數(shù)據準備198
10.2.3　模型開發(fā)209
10.2.4　評估模擬器211
10.3　總結213
第11章　基于OpenCV和深度學習的車輛檢測214
11.1　YOLO特點215
11.2　YOLO損失函數(shù)215
11.3　YOLO架構216
11.4　YOLO目標檢測的實現(xiàn)217
11.4.1　導入庫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　圖像目標檢測函數(shù)220
11.4.6　視頻目標檢測函數(shù)220
11.4.7　導入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223
第12章　未來工作及傳感器融合224
12.1　自動駕駛汽車傳感器227
12.2　傳感器融合簡介228
12.3　卡爾曼濾波器229
12.4　總結229