自動駕駛：感知原理與實踐

本書是一本系統講解自動駕駛感知技術的圖書，同時帶有具體的自動駕駛實踐案例，以及自動駕駛感知技術的落地部署方案供讀者學習。本書主要涉及的內容包括神經網絡的基礎理論知識、經典捲積神經網絡、輕量化捲積神經網絡、Vision Transformer、2D目標檢測算法（YOLOv5、YOLOX、YOLOv5 Lite、NanoDet等算法）、3D激光點雲目標檢測算法、BEVFormer純視覺的3D目標檢測算法、語義分割、車道線檢測、ReID相關技術、多目標跟蹤及部署落地的相關技術（如CUDA、OpenCV、NCNN、TensorRT等）。為了讓讀者全面、深入、透徹地理解所講解的算法，書中還給出了具體的實踐案例，並提供了相應的數據集供讀者實踐，同時通過對代碼的講解使讀者獲得實戰能力。

第1章 電腦視覺與神經網絡 1
1.1 人工神經網絡 1
1.1.1 感知機 2
1.1.2 神經網絡 2
1.2 捲積神經網絡 4
1.2.1 捲積 4
1.2.2 激活函數 5
1.2.3 池化層 6
1.2.4 全連接層 6
1.3 經典捲積神經網絡 7
1.3.1 AlexNet 7
1.3.2 VGG 8
1.3.3 GoogLeNet 9
1.3.4 ResNet 11
1.3.5 DarkNet 14
1.3.6 CSPDarkNet 16
1.4 輕量化捲積神經網絡 18
1.4.1 MobileNet 18
1.4.2 ShuffleNet 22
1.4.3 GhostNet 25
1.5 Vision Transformer在電腦視覺中的應用 27
1.5.1 ViT 27
1.5.2 Swin Transformer 30
1.5.3 MobileViT 34
1.5.4 TRT-ViT 36
1.5.5 基於ResNet/MobileViT的交通標識牌識別項目實踐 38
1.6 本章小結 55
第2章 目標檢測在自動駕駛中的應用 56
2.1 目標檢測簡介 56
2.1.1 相關工作簡介 56
2.1.2 兩階段目標檢測算法簡介 57
2.1.3 單階段目標檢測算法簡介 62
2.2 自動駕駛中的車輛檢測 66
2.2.1 BDD100K數據集簡介 66
2.2.2 YOLOv5算法的原理 67
2.2.3 基於YOLOv5的車輛檢測項目實踐 74
2.3 自動駕駛中的行人檢測 81
2.3.1 YOLOX算法的原理 81
2.3.2 基於YOLOX的行人檢測項目實踐 90
2.4 自動駕駛中的交通標識牌檢測 104
2.4.1 NanoDet算法的原理 104
2.4.2 基於NanoDet的交通標識牌檢測項目實踐 110
2.5 自動駕駛中的交通信號燈的檢測與識別 125
2.5.1 YOLOv5 Lite算法的原理 125
2.5.2 基於YOLOv5 Lite的交通信號燈檢測項目實踐 128
2.6 3D目標檢測 131
2.6.1 PointPillars 132
2.6.2 BEVFormer 136
2.6.3 基於OpenPCDet的3D目標檢測項目實踐 139
2.7 本章小結 153?
第3章 語義分割在自動駕駛中的應用 154
3.1 STDC算法的原理 155
3.1.1 STDC模塊 155
3.1.2 STDC語義分割網絡 157
3.2 TopFormer算法的原理 160
3.2.1 Token Pyramid Module 161
3.2.2 Scale-Aware Semantics Extractor 162
3.2.3 Semantics Injection Module 162
3.2.4 Segmentation Head 163
3.3 基於TopFormer的可行駛區域分割項目實踐 163
3.3.1 Cityscapes數據集簡介 163
3.3.2 TopFormer模型實現 164
3.4 本章小結 172
第4章 車道線檢測與分割 173
4.1 UNet算法的原理 174
4.2 LaneATT算法的原理 176
4.2.1 Lane的Anchor表徵 177
4.2.2 基於Anchor的特徵圖池化 177
4.2.3 局部註意力機制 178
4.2.4 Proposal預測 179
4.2.5 後處理 179
4.3 基於LaneATT的車道線檢測實踐 180
4.3.1 CULane數據集介紹 180
4.3.2 LaneATT實踐 180
4.4 本章小結 186
第5章 多目標跟蹤在自動駕駛中的應用 187
5.1 多目標跟蹤算法SORT的原理 187
5.2 多目標跟蹤算法DeepSORT的原理 192
5.2.1 級聯匹配 192
5.2.2 ReID特徵提取 193
5.3 多目標跟蹤算法ByteTrack的原理 194
5.4 基於ByteTrack的多目標跟蹤項目實踐 196
5.4.1 MOT16數據集 196
5.4.2 Byte匹配 197
5.5 本章小結 202
第6章 深度學習模型的落地和部署 203
6.1 常見模型部署框架介紹 203
6.1.1 TensorRT 204
6.1.2 NCNN 206
6.1.3 ONNX 206
6.2 OpenCV圖像處理操作 207
6.2.1 OpenCV基本操作 207
6.2.2 使用OpenCV 進行圖像預處理 212
6.3 GPU編程工具之CUDA 216
6.3.1 CUDA 編程模型 217
6.3.2 CUDA 線程組織 223
6.3.3 CUDA 內存組織 239
6.3.4 GPU 硬件組織結構 242
6.3.5 CUDA流 245
6.4 模型部署框架之TensorRT 249
6.4.1 使用TensorRT API搭建網絡結構 250
6.4.2 從ONNX文件中導入網絡結構定義 253
6.4.3 TensorRT推理引擎的序列化與反序列化 254
6.4.4 TensorRT的推理 257
6.4.5 INT8量化 259
6.4.6 TensorRT的插件開發 261
6.5 TensorRT 模型部署實例 263
6.5.1 使用 OpenCV 進行前處理 264
6.5.2 使用CUDA加速前處理 265
6.5.3 執行推理操作 268
6.5.4 後處理 270
6.6 NCNN模型部署 273
6.6.1 NCNN部署流程 273
6.6.2 使用NCNN部署NanoDet 276
6.7 本章小結 284
參考文獻 285