向Level-5前進：全方位自動駕駛感知原理與實作

第1章  電腦視覺與神經網路    
1.1  類神經網路    
1.2  卷積神經網路        
1.3  經典卷積神經網路        
1.4  輕量化卷積神經網路    
1.5  Vision Transformer在電腦視覺中的應用    
1.6  本章小結    

第2章  物件辨識在自動駕駛中的應用    
2.1  物件辨識簡介    
2.2  自動駕駛中的車輛檢測    
2.3  自動駕駛中的行人檢測    
2.4  自動駕駛中的交通標識牌檢測    
2.5  自動駕駛中的交通信號燈的檢測與辨識    
2.6  3D物件辨識    
2.7  本章小結    

第3章  語義分割在自動駕駛中的應用    
3.1  STDC演算法的原理    
3.2  TopFormer演算法的原理    
3.3  基於TopFormer的可行駛區域分割專案實踐    
3.4  本章小結    

第4章  車道線檢測與分割    
4.1  UNet演算法的原理    
4.2  LaneATT演算法的原理    
4.3  基於LaneATT的車道線檢測實踐    
4.4  本章小結    

第5章  多目標追蹤在自動駕駛中的應用    
5.1  多目標追蹤演算法SORT的原理    
5.2  多目標追蹤演算法DeepSORT的原理    
5.3  多目標追蹤演算法ByteTrack的原理    
5.4  基於ByteTrack的多目標追蹤專案實踐    
5.5  本章小結    

第6章  深度學習模型的實作和部署    
6.1  常見模型部署框架介紹    
6.2  OpenCV影像處理操作    
6.3  GPU程式設計工具之CUDA    
6.4  模型框架之TensorRT    
6.5  TensorRT 模型部署實例    
6.6  NCNN模型部署    
6.7  本章小結    
參考文獻    

 

前言

　　隨著計算視覺技術的不斷發展，其在自動駕駛感知領域獲得了廣泛應用，諸如交通標識牌檢測、車輛檢測、行人檢測、3D雷射點雲物件辨識、可行駛區域劃分、車道線檢測，以及多目標追蹤等感知功能都用到了電腦視覺技術。但很多初學者或想要進入自動駕駛感知領域的人很難系統地學習自動駕駛感知技術，而本書恰恰可以滿足讀者的這一需求。本書作者都是自動駕駛行業的深度開發者，有豐富的業內經驗，可以幫助讀者進入自動駕駛領域，同時加快自動駕駛的實作與發展。

　　本書是一本系統講解自動駕駛感知技術的圖書，書中展示了具體的實踐案例及自動駕駛感知技術的實作部署方案，從理論到實踐層面講解與自動駕駛感知相關的技術，可讓讀者全面、深入、透徹地理解所講解的演算法。

　　第1章：主要以介紹神經網路的基礎知識作為開始，全面講解經典卷積神經網路、輕量化卷積神經網路，以及與Vision Transformer相關的Backbone模型，同時用一個交通標識牌辨識模型對ResNet和MobileViT模型進行了實踐與講解。

　　第 2 章：主要講解2D物件辨識演算法，開始主要介紹兩階段物件辨識演算法和單階段物件辨識演算法，之後詳細講解YOLOv5、YOLOX、NanoDet和YOLOv5 Lite演算法，並分別使用車輛檢測、行人檢測、交通標識牌檢測和交通信號燈檢測作為實踐專案來對上述演算法進行實踐；同時對3D雷射點雲演算法PointPillars的原理進行詳細講解，並結合OpenPCDet進行了程式的講解。此外，本章還加入了對BEVFormer環視3D物件辨識演算法的介紹。

　　第3章：介紹語義分割在自動駕駛中的應用，主要講解STDC演算法的原理和設計思想，同時介紹基於Vision Transformer的TopFormer輕量化語義分割演算法，還針對TopFormer基於Cityscapes資料集進行了實際的專案實踐和講解。

　　第4章：主要介紹自動駕駛中的車道線檢測與分割技術，首先介紹UNet演算法的原理；然後介紹基於Line Anchor的LaneATT演算法；最後對CULane資料集進行了介紹，並基於LaneATT演算法進行了實踐和程式的講解。

　　第 5 章：介紹多目標追蹤在自動駕駛中的應用，主要講解SORT和DeepSORT的原理，以及速度更快的多目標追蹤演算法ByteTrack的原理和基於MOT16資料集的實踐與程式的講解，同時簡單介紹了ReID的相關知識。

　　第6章：主要介紹自動駕駛中的相關演算法模型的部署實作技術，首先介紹常見的模型部署框架；接著介紹OpenCV的相關知識與GPU程式設計工具CUDA、模型框架TensorRT，這裡詳細解讀了TensorRT的相應介面與如何進行量化加速和外掛程式開發，以及如何使用ONNX進行模型的轉換和基於TensorRT的實作部署；然後介紹如何使用TensorRT進行YOLOv5物件辨識的部署和加入；最後使用NCNN進行NanoDet的部署。

　　本書主要由龔心滿撰寫，參與撰寫的人員還有江濤、梁功臣和胡佳慧。

　　為了讓讀者在閱讀本書的過程中可以與學術論文或技術文件相對應，書中對很多英文專業名詞沒有進行翻譯，這主要考慮到翻譯後不能極佳地表達演算法本身的意思。讀者如果有不習慣或不理解的地方，可以透過郵件（chaucer_g@126.com）進行溝通交流。