PyTorch自动驾驶视觉感知算法实战

参考文献

8.4.4 模型推理时间对比

8.4.3 使用随机数据进行量化校准

8.4.2 使用低精度数值完成运算

8.4.1 模型量化中的精度转换

8.4 量化神经网络提高推理速度

8.3.5 TensorRT模型的输入、输出

8.3.4 加载TensorRT模型并初始化执行环境

8.3.3 导出TensorRT支持的网络模型

8.3.2 配置TensorRT开发环境

8.3.1 Nvidia的推理引擎TensorRT

8.3 用TensorRT部署模型

8.2.4 加载TorchScript模型并进行推理

8.2.3 将输入图像转换为Tensor

8.2.2 将LibTorch加入CMake项目

8.2.1 导出TorchScript模型

8.2 使用LibTorch部署PyTorch模型

8.1.2 配置C++开发环境

8.1.1 Docker的使用

8.1 配置开发环境

第8章 导出和部署神经网络模型

7.4.3 对PyTorch模型进行压缩并对比运行速度

7.4.2 利用通道选择层确定压缩方案

7.4.1 用PyTorch构造可微通道选择层

7.4 用PyTorch实现可微网络压缩

7.3.5 网络压缩的流程

7.3.4 使用可微通道加权进行通道剪枝

7.3.3 在训练中使用L1正则化压缩权重

7.3.2 几种常见的通道剪枝方法

7.3.1 什么是神经网络压缩

7.3 压缩神经网络提高推理速度

7.2.3 多任务损失的平衡

7.2.2 多任务网络的搭建

7.2.1 多任务数据加载

7.2 用PyTorch搭建一个语义分割和目标检测双任务网络

7.1.2 多任务网络的任务平衡问题

7.1.1 多任务网络的设计

7.1 使用多任务网络构架提高速度和精度

第7章 通过控制网络结构提高速度和精度

6.4.3 用速度损失解决尺度问题

6.4.2 用图像一致性掩膜解决移动物体问题

6.4.1 用图像梯度图解决边缘模糊问题

6.4 可能存在的问题及解决方案

6.3.4 无监督单目深度推断的损失函数

6.3.3 从相邻帧采集RGB值并重投影的PyTorch实现

6.3.2 将深度图反投影为点云的PyTorch实现

6.3.1 无监督学习系统构架

6.3 无监督学习的机制

6.2.4 相机运动估计网络

6.2.3 基于有序回归的深度图输出编码

6.2.2 基于相对视差的深度图输出编码

6.2.1 深度图预测网络

6.2 单目深度估计的网络构架

6.1.3 相机运动模型

6.1.2 什么是深度图

6.1.1 相机模型

6.1 计算机三维视觉基础知识

第6章 单目深度估计——重建三维世界

5.4.3 SOLO代码解析

5.4.2 MMDetection介绍

5.4.1 安装和配置MMDetection

5.4 安装及使用OpenMMLab——以MMDetection为例

5.3.3 基于CondInst的半监督实例分割方法BoxInst

5.3.2 以SOLO为代表的单阶段实例分割方法

5.3.1 以Mask-RCNN为代表的两阶段实例分割方法

5.3 实例分割——分辨行人和车辆

5.2.4 计算mIoU

5.2.3 计算混淆矩阵

5.2.2 加载Lite R-ASPP语义分割模型进行训练

5.2.1 语义分割的数据加载

5.2 使用PyTorch训练一个语义分割模型

5.1.4 语义分割的关键——信息融合

5.1.3 使用OHEM和类别权重解决样本不均衡问题

5.1.2 评价语义分割质量的指标

5.1.1 语义分割的网络构架和损失函数

5.1 语义分割

第5章 语义分割与实例分割——逐像素分类

4.5.4 NMS的实现

4.5.3 构造损失函数

4.5.2 Yolo层的实现

4.5.1 样本选择算法的实现

4.5 Yolo的PyTorch实现

4.4.3 YoloX网络

4.4.2 用高斯模糊和Focal Loss训练CenterNet

4.4.1 CenterNet的整体结构

4.4 以CenterNet为代表的Anchor-Free方法

4.3.3 类Yolo的一阶段检测网络

4.3.2 Yolo的训练

4.3.1 YoloV3的整体结构

4.3 以Yolo为代表的一阶段检测方法

4.2.3 使用TorchVision模型库中的Faster RCNN

4.2.2 ROI网络

4.2.1 RPN网络

4.2 以Faster RCNN为代表的两阶段检测方法

4.1.3 目标检测网络的类别

4.1.2 NMS

4.1.1 Anchor

4.1 目标检测基本概念

第4章 目标检测网络——识别车辆

3.3.3 不同主干网络和预训练模型的训练对比

3.3.2 修改主干网络获取多尺度特征图

3.3.1 构建和加载模型

3.3 使用TorchVision模型库提供的主干网络

3.2.4 自由缩放的主干网络——RegNet系列

3.2.3 速度更快的轻量级主干网络——MobileNet系列

3.2.2 最流行的主干网络——ResNet系列网络

3.2.1 简单直白的主干网络——类VGG网络

3.2 流行的主干网络

3.1.3 主干网络的自监督预训练

3.1.2 神经网络的主干网络及有监督预训练

3.1.1 神经网络的元结构

3.1 什么是神经网络的主干网络

第3章 神经网络的特征编码器——主干网络

2.4.7 搭建一个神经网络并进行训练

2.4.6 常用的辅助工具

2.4.5 用PyTorch搭建神经网络

2.4.4 PyTorch的数据加载

2.4.3 PyTorch的优化器

2.4.2 PyTorch的自动求导功能

2.4.1 GPU加速的科学计算功能

2.4 GPU加速的深度学习和科学计算库PyTorch

2.3.2 OpenCV——Python图像处理库

2.3.1 NumPy——Python科学计算库

2.3 常用的Python包

2.2.2 Python的包管理器pip

2.2.1 Anaconda虚拟环境的管理

2.2 Python开发环境管理

2.1.2 操作系统

2.1.1 显卡

2.1 硬件和操作系统

第2章 深度学习开发环境及常用工具库

1.4.4 常用的训练学习率调整方法

1.4.3 常用的优化器

1.4.2 常用的正则化方法

1.4.1 常用损失函数

1.4 卷积神经网络的训练

1.3.9 构建一个复杂的卷积神经网络

1.3.8 跳跃、空间注意力等特殊的连接方式

1.3.7 池化层

1.3.6 上采样层和下采样层

1.3.5 归一化层

1.3.4 激活层

1.3.3 卷积层和转置卷积层

1.3.2 神经网络的输出层

1.3.1 卷积神经网络的输入层

1.3 卷积神经网络的组成细节

1.2.4 什么是批次（Batch）

1.2.3 为什么需要深度网络

1.2.2 通道（Channel）和三维卷积

1.2.1 什么是卷积运算

1.2 什么是卷积神经网络

1.1.3 神经网络的拟合能力和泛化能力

1.1.2 神经网络的训练——反向传播算法

1.1.1 神经网络模型

1.1 神经网络回顾

第1章 卷积神经网络的理论基础

前言

作者简介

版权信息

封面

封面

版权信息

作者简介

前言

第1章 卷积神经网络的理论基础

1.1 神经网络回顾

1.1.1 神经网络模型

1.1.2 神经网络的训练——反向传播算法

1.1.3 神经网络的拟合能力和泛化能力

1.2 什么是卷积神经网络

1.2.1 什么是卷积运算

1.2.2 通道（Channel）和三维卷积

1.2.3 为什么需要深度网络

1.2.4 什么是批次（Batch）

1.3 卷积神经网络的组成细节

1.3.1 卷积神经网络的输入层

1.3.2 神经网络的输出层

1.3.3 卷积层和转置卷积层

1.3.4 激活层

1.3.5 归一化层

1.3.6 上采样层和下采样层

1.3.7 池化层

1.3.8 跳跃、空间注意力等特殊的连接方式

1.3.9 构建一个复杂的卷积神经网络

1.4 卷积神经网络的训练

1.4.1 常用损失函数

1.4.2 常用的正则化方法

1.4.3 常用的优化器

1.4.4 常用的训练学习率调整方法

第2章 深度学习开发环境及常用工具库

2.1 硬件和操作系统

2.1.1 显卡

2.1.2 操作系统

2.2 Python开发环境管理

2.2.1 Anaconda虚拟环境的管理

2.2.2 Python的包管理器pip

2.3 常用的Python包

2.3.1 NumPy——Python科学计算库

2.3.2 OpenCV——Python图像处理库

2.4 GPU加速的深度学习和科学计算库PyTorch

2.4.1 GPU加速的科学计算功能

2.4.2 PyTorch的自动求导功能

2.4.3 PyTorch的优化器

2.4.4 PyTorch的数据加载

2.4.5 用PyTorch搭建神经网络

2.4.6 常用的辅助工具

2.4.7 搭建一个神经网络并进行训练

第3章 神经网络的特征编码器——主干网络

3.1 什么是神经网络的主干网络

3.1.1 神经网络的元结构

3.1.2 神经网络的主干网络及有监督预训练

3.1.3 主干网络的自监督预训练

3.2 流行的主干网络

3.2.1 简单直白的主干网络——类VGG网络

3.2.2 最流行的主干网络——ResNet系列网络

3.2.3 速度更快的轻量级主干网络——MobileNet系列

3.2.4 自由缩放的主干网络——RegNet系列

3.3 使用TorchVision模型库提供的主干网络

3.3.1 构建和加载模型

3.3.2 修改主干网络获取多尺度特征图

3.3.3 不同主干网络和预训练模型的训练对比

第4章 目标检测网络——识别车辆

4.1 目标检测基本概念

4.1.1 Anchor

4.1.2 NMS

4.1.3 目标检测网络的类别

4.2 以Faster RCNN为代表的两阶段检测方法

4.2.1 RPN网络

4.2.2 ROI网络

4.2.3 使用TorchVision模型库中的Faster RCNN

4.3 以Yolo为代表的一阶段检测方法

4.3.1 YoloV3的整体结构

4.3.2 Yolo的训练

4.3.3 类Yolo的一阶段检测网络

4.4 以CenterNet为代表的Anchor-Free方法

4.4.1 CenterNet的整体结构

4.4.2 用高斯模糊和Focal Loss训练CenterNet

4.4.3 YoloX网络

4.5 Yolo的PyTorch实现

4.5.1 样本选择算法的实现

4.5.2 Yolo层的实现

4.5.3 构造损失函数

4.5.4 NMS的实现

第5章 语义分割与实例分割——逐像素分类

5.1 语义分割

5.1.1 语义分割的网络构架和损失函数

5.1.2 评价语义分割质量的指标

5.1.3 使用OHEM和类别权重解决样本不均衡问题

5.1.4 语义分割的关键——信息融合

5.2 使用PyTorch训练一个语义分割模型

5.2.1 语义分割的数据加载

5.2.2 加载Lite R-ASPP语义分割模型进行训练

5.2.3 计算混淆矩阵

5.2.4 计算mIoU

5.3 实例分割——分辨行人和车辆

5.3.1 以Mask-RCNN为代表的两阶段实例分割方法

5.3.2 以SOLO为代表的单阶段实例分割方法

5.3.3 基于CondInst的半监督实例分割方法BoxInst

5.4 安装及使用OpenMMLab——以MMDetection为例

5.4.1 安装和配置MMDetection

5.4.2 MMDetection介绍

5.4.3 SOLO代码解析

第6章 单目深度估计——重建三维世界

6.1 计算机三维视觉基础知识

6.1.1 相机模型

6.1.2 什么是深度图

6.1.3 相机运动模型

6.2 单目深度估计的网络构架

6.2.1 深度图预测网络

6.2.2 基于相对视差的深度图输出编码

6.2.3 基于有序回归的深度图输出编码

6.2.4 相机运动估计网络

6.3 无监督学习的机制

6.3.1 无监督学习系统构架

6.3.2 将深度图反投影为点云的PyTorch实现

6.3.3 从相邻帧采集RGB值并重投影的PyTorch实现

6.3.4 无监督单目深度推断的损失函数

6.4 可能存在的问题及解决方案

6.4.1 用图像梯度图解决边缘模糊问题

6.4.2 用图像一致性掩膜解决移动物体问题

6.4.3 用速度损失解决尺度问题

第7章 通过控制网络结构提高速度和精度

7.1 使用多任务网络构架提高速度和精度

7.1.1 多任务网络的设计

7.1.2 多任务网络的任务平衡问题

7.2 用PyTorch搭建一个语义分割和目标检测双任务网络

7.2.1 多任务数据加载

7.2.2 多任务网络的搭建

7.2.3 多任务损失的平衡

7.3 压缩神经网络提高推理速度

7.3.1 什么是神经网络压缩

7.3.2 几种常见的通道剪枝方法

7.3.3 在训练中使用L1正则化压缩权重

7.3.4 使用可微通道加权进行通道剪枝

7.3.5 网络压缩的流程

7.4 用PyTorch实现可微网络压缩

7.4.1 用PyTorch构造可微通道选择层

7.4.2 利用通道选择层确定压缩方案

7.4.3 对PyTorch模型进行压缩并对比运行速度

第8章 导出和部署神经网络模型

8.1 配置开发环境

8.1.1 Docker的使用

8.1.2 配置C++开发环境

8.2 使用LibTorch部署PyTorch模型

8.2.1 导出TorchScript模型

8.2.2 将LibTorch加入CMake项目

8.2.3 将输入图像转换为Tensor

8.2.4 加载TorchScript模型并进行推理

8.3 用TensorRT部署模型

8.3.1 Nvidia的推理引擎TensorRT

8.3.2 配置TensorRT开发环境

8.3.3 导出TensorRT支持的网络模型

8.3.4 加载TensorRT模型并初始化执行环境

8.3.5 TensorRT模型的输入、输出

8.4 量化神经网络提高推理速度

8.4.1 模型量化中的精度转换

8.4.2 使用低精度数值完成运算

8.4.3 使用随机数据进行量化校准

8.4.4 模型推理时间对比

参考文献