【簡介】 ＊CNN、輕量化CNN、Vision Transformer Backbone模型、ResNet和MobileViT 　　＊YOLOv5、YOLOX、NanoDet和YOLOv5 Lite演算法 　　＊車輛檢測、行人檢測、交通標識牌檢測和交通信號燈檢測實作 　　＊語義分割、STDC、TopFormer輕量化、Cityscapes資料集 　　＊UNet演算法、Line Anchor的LaneATT演算法、CULane資料集 　　＊多目標追蹤、SORT、DeepSORT、ByteTrack、ReID的相關知識 　　＊OpenCV、CUDA、TensorRT、ONNX、NCNN進行NanoDet的部署 　　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。 　　電腦視覺技術的不斷發展，在自動駕駛感知領域獲得了廣泛應用，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。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，本書正好可以滿足這個需求。作者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。 【目錄】 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