前言
第1部分 深度学习和自动驾驶汽车基础
第1章 自动驾驶汽车基础
1.1 自动驾驶汽车简介
1.1.1 自动驾驶汽车的优势
1.1.2 自动驾驶汽车的进展
1.2 当前部署中的挑战
1.2.1 建立安全系统
1.2.2 硬件
1.2.3 软件编程
1.2.4 高速互联网
1.3 自动驾驶等级
1.4 深度学习和计算机视觉在自动驾驶汽车中的应用
1.5 总结
第2章 深入了解深度神经网络
2.1 深入了解神经网络
2.2 理解神经元和感知器
2.3 人工神经网络的工作原理
2.4 理解激活函数
2.4.1 阙值函数
2.4.2 Sigmoid函数
2.4.3 整流线性函数
2.4.4 双曲正切激活函数
2.5 神经网络的损失函数
2.6 优化器
2.7 理解超参数
2.7.1 模型训练超参数
2.7.2 网络架构超参数
2.8 TensorFlow与Keras的对比
2.9 总结
第3章 使用Keras实现深度学习模型
3.1 开始使用Keras
3.1.1 Keras的优点
3.1.2 Keras的工作原理
3.1.3 构建Keras模型
3.1.4 Keras执行类型
3.2 Keras深度学习
3.3 构建第一个深度学习模型
3.3.1 Auto-Mpg数据集介绍
3.3.2 导入数据
3.3.3 分割数据
3.3.4 标准化数据
3.3.5 构建和编译模型
3.3.6 训练模型
3.3.7 预测新的、未知的模型
3.3.8 评估模型的性能
3.3.9 保存和加载模型
3.4 总结
第2部分 深度学习和计算机视觉
第4章 自动驾驶汽车中的计算机视觉
4.1 计算机视觉介绍
4.1.1 计算机视觉的挑战
4.1.2 人工眼睛与人眼的对比
4.2 图像的基本构建块
4.2.1 图像的数字表示
4.2.2 从RGB到灰度图像的转换
4.2.3 道路标记检测
4.3 颜色空间技术
4.3.1 RGB颜色空间
4.3.2 HSV颜色空间
4.3.3 颜色空间操作
4.4 卷积介绍
4.5 边缘检测和梯度计算
4.5.1 Sobel的介绍
4.5.2 Laplacian边缘检测器的介绍
4.5.3 Canny边缘检测
4.6 图像变换
4.6.1 仿射变换
4.6.2 投影变换
4.6.3 图像旋转
4.6.4 图像平移
4.6.5 图像缩放
4.6.6 透视变换
4.6.7 图像裁剪、腐蚀和膨胀
4.6.8 使用掩模提取感兴趣区域
4.6.9 霍夫（Hough）变换
4.7 总结
第5章 使用OpenCV查找道路标志
5.1 在图像中查找道路标志
5.1.1 使用OpenCV加载图像
5.1.2 将图像转换为灰度图像
5.1.3 平滑图像
5.1.4 Canny边缘检测
5.1.5 使用掩模提取感兴趣区域
5.1.6 应用bitwise_and
5.1.7 应用霍夫变换
5.1.8 优化检测到的道路标志
5.2 在视频中检测道路标志
5.3 总结
第6章 使用CNN改进图像分类器
6.1 计算机格式中的图像
6.1.1 CNN的必要性
6.1.2 CNN背后的直觉
6.2 CNN介绍
6.2.1 为什么需要3D层
6.2.2 理解卷积层
6.2.3 深度、步长和零填充
6.2.4 ReLU
6.2.5 全连接层
6.3 手写数字识别介绍
6.3.1 问题和目标
6.3.2 加载数据
6.3.3 重塑数据
6.3.4 数据的转换
6.3.5 对输出进行独热编码
6.3.6 构建和编译模型
6.3.7 训练模型
6.3.8 验证损失与训练损失
6.3.9 验证与测试准确度
6.3.10 保存模型
6.3.11 可视化模型架构
6.3.12 混淆矩阵
6.3.13 准确度报告
6.4 总结
第7章 使用深度学习进行道路标志检测
7.1 数据集概述
7.1.1 数据集结构
7.1.2 图像格式
7.2 加载数据
7.3 图像探索
7.4 数据准备
7.5 模型训练
7.6 模型准确度
7.7 总结
第3部分 自动驾驶汽车中的语义分割
第8章 语义分割的原理和基础
8.1 语义分割简介
8.2 语义分割架构的理解
8.3 不同语义分割架构的概述
8.3.1 U-Net
8.3.2 SegNet
8.3.3 PSPNet
8.3.4 DeepLabv3+
8.3.5 E-Net
8.4 总结
第9章 语义分割的实现
9.1 图像中的语义分割
9.2 视频中的语义分割
9.3 总结
第4部分 高级功能实现
第10章 基于深度学习的行为克隆
10.1 回归神经网络
10.2 使用深度学习进行行为克隆
10.2.1 数据收集
10.2.2 数据准备
10.2.3 模型开发
10.2.4 评估模拟器
10.3 总结
第11章 基于OpenCV和深度学习的车辆检测
11.1 YOLO特点
11.2 YOLO损失
展开
