面向自主駕駛場(chǎng)景感知的循環(huán)神經(jīng)架構(gòu)

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(chǎng)景感知
1．1．3 面向自主駕駛場(chǎng)景感知的深度學(xué)習(xí)
1．2 研究?jī)?nèi)容
1．3 國(guó)內(nèi)外的研究現(xiàn)狀
1．3．1 動(dòng)態(tài)場(chǎng)景預(yù)測(cè)
1．3．2 多目標(biāo)檢測(cè)
1．3．3 多目標(biāo)跟蹤
1．3．4 局部路徑規(guī)劃
1．4 展望
第2章 面向動(dòng)態(tài)場(chǎng)景預(yù)測(cè)的張量式循環(huán)神經(jīng)網(wǎng)絡(luò)
2．1 引言
2．2 方法
2．2．1 張量化隱狀態(tài)
2．2．2 合并深度計(jì)算
2．2．3 擴(kuò)展為L(zhǎng)STM
2．2．4 處理結(jié)構(gòu)化輸入
2．3 實(shí)驗(yàn)
2．3．1 任務(wù)1：文本生成
2．3．2 任務(wù)2：文本計(jì)算
2．3．3 任務(wù)3：圖像分類(lèi)
2．3．4 任務(wù)4：動(dòng)態(tài)場(chǎng)景預(yù)測(cè)
2．3．5 記憶單元的可視化
2．4 相關(guān)工作
2．4．1 卷積LsTM
2．4．2 深度LSTM
2．4．3 其他并行化方法
2．5 本章小結(jié)
第3章 面向無(wú)監(jiān)督多目標(biāo)檢測(cè)的記憶式循環(huán)注意力網(wǎng)絡(luò)
3．1 引言
3．2 無(wú)監(jiān)督多目標(biāo)檢測(cè)：通過(guò)渲染進(jìn)行檢測(cè)
3．2．1 概述
3．2．2 特征提取器
3．2．3 循環(huán)目標(biāo)檢測(cè)器
3．2．4 渲染器
3．2．5 損失
3．3 記憶式循環(huán)注意力網(wǎng)絡(luò)
3．4 實(shí)驗(yàn)
3．4．1 Sprites數(shù)據(jù)集
3．4．2 DukeMTMC數(shù)據(jù)集
3．4．3 TUD數(shù)據(jù)集
3．4．4 UMOD-MRAN數(shù)據(jù)集的可視化
3．5 相關(guān)工作
3．6 本章小結(jié)
第4章 面向無(wú)監(jiān)督多目標(biāo)跟蹤的重優(yōu)先化循環(huán)注意力網(wǎng)絡(luò)
4．1 引言
4．2 通過(guò)生成動(dòng)畫(huà)進(jìn)行跟蹤
4．2．1 概述
4．2．2 特征提取器
4．2．3 跟蹤器陣列
4．2．4 渲染器
4．2．5 損失
4．3 重優(yōu)先化注意式跟蹤
4．3．1 使用注意力
4．3．2 將輸入作為記憶
4．3．3 重優(yōu)先化跟蹤器
4．3．4 使用自適應(yīng)計(jì)算時(shí)間
4．4 實(shí)驗(yàn)
……
第5章 基于雙過(guò)程理論的分層局部路徑規(guī)劃
參考文獻(xiàn)
附錄A 面向動(dòng)態(tài)場(chǎng)景預(yù)測(cè)的張量式循環(huán)神經(jīng)網(wǎng)絡(luò)
附錄B 面向無(wú)監(jiān)督多目標(biāo)檢測(cè)的記憶式循環(huán)注意力網(wǎng)絡(luò)
附錄C 面向無(wú)監(jiān)督多目標(biāo)跟蹤的重優(yōu)先化循環(huán)注意力網(wǎng)絡(luò)