面向自主駕駛場景感知的循環神經架構

《面向自主駕駛場景感知的循環神經架構》針對自主駕駛場景感知中的動態場景預測、多目標檢測和多目標跟踪這三個關鍵任務，
分別介紹了三種不同的深度循環神經架構，討論瞭如何在保證場景感知性能良好的情況下，
有效緩解深度學習中存在的數據需求量大、人工標籤需求量大.以及缺乏可解釋性的三個重要問題。
為進一步提高自主駕駛對場景的適應性，該書也對局部路徑規划算法進行了深入探討。
《面向自主駕駛場景感知的循環神經架構》可作為高等院校自動化、人工智能等相關專業本科生的參考教材，
也可作為從事自主駕駛研究的科研人員、軍隊無人作戰指揮人員的參考資料。

第1章緒論
1．1 研究背景
1．1．1 自主駕駛
1．1．2 自主駕駛場景感知
1．1．3 面向自主駕駛場景感知的深度學習
1．2 研究內容
1．3 國內外的研究現狀
1．3．1 動態場景預測
1．3．2 多目標檢測
1．3．3 多目標跟踪
1．3．4 局部路徑規劃
1．4 展望

第2章面向動態場景預測的張量式循環神經網絡
2．1 引言
2．2 方法
2．2．1 張量化隱狀態
2．2．2 合併深度計算
2．2．3 擴展為LSTM
2．2．4 處理結構化輸入
2．3 實驗
2．3．1 任務1：文本生成
2．3．2 任務2：文本計算
2．3．3 任務3：圖像分類
2．3．4 任務4：動態場景預測
2．3．5 記憶單元的可視化
2．4 相關工作
2．4．1 卷積LsTM
2．4．2 深度LSTM
2．4．3 其他並行化方法
2．5 本章小結

第3章面向無監督多目標檢測的記憶式循環注意力網絡
3．1 引言
3．2 無監督多目標檢測：通過渲染進行檢測
3．2．1 概述
3．2．2 特徵提取器
3．2．3 循環目標檢測器
3．2．4 渲染器
3．2．5 損失
3．3 記憶式循環注意力網絡
3．4 實驗
3．4．1 Sprites數據集
3．4．2 DukeMTMC數據集
3．4．3 TUD數據集
3．4．4 UMOD-MRAN數據集的可視化
3．5 相關工作
3．6 本章小結

第4章面向無監督多目標跟踪的重優先化循環注意力網絡
4．1 引言
4．2 通過生成動畫進行跟踪
4．2．1 概述
4．2．2 特徵提取器
4．2．3 跟踪器陣列
4．2．4 渲染器
4．2．5 損失
4．3 重優先化注意式跟踪
4．3．1 使用注意力
4．3．2 將輸入作為記憶
4．3．3 重優先化跟踪器
4．3．4 使用自適應計算時間
4．4 實驗
……
第5章基於雙過程理論的分層局部路徑規劃
參考文獻
附錄A 面向動態場景預測的張量式循環神經網絡
附錄B 面向無監督多目標檢測的記憶式循環注意力網絡
附錄C 面向無監督多目標跟踪的重優先化循環注意力網絡