面向自主駕駛場景感知的循環(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 自主駕駛場景感知
1．1．3 面向自主駕駛場景感知的深度學習
1．2 研究內(nèi)容
1．3 國內(nèi)外的研究現(xiàn)狀
1．3．1 動態(tài)場景預測
1．3．2 多目標檢測
1．3．3 多目標跟蹤
1．3．4 局部路徑規(guī)劃
1．4 展望
第2章 面向動態(tài)場景預測的張量式循環(huán)神經(jīng)網(wǎng)絡
2．1 引言
2．2 方法
2．2．1 張量化隱狀態(tài)
2．2．2 合并深度計算
2．2．3 擴展為LSTM
2．2．4 處理結(jié)構(gòu)化輸入
2．3 實驗
2．3．1 任務1：文本生成
2．3．2 任務2：文本計算
2．3．3 任務3：圖像分類
2．3．4 任務4：動態(tài)場景預測
2．3．5 記憶單元的可視化
2．4 相關工作
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 面向無監(jiān)督多目標檢測的記憶式循環(huán)注意力網(wǎng)絡
3．1 引言
3．2 無監(jiān)督多目標檢測：通過渲染進行檢測
3．2．1 概述
3．2．2 特征提取器
3．2．3 循環(huán)目標檢測器
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
3．4 實驗
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 相關工作
3．6 本章小結(jié)
第4章 面向無監(jiān)督多目標跟蹤的重優(yōu)先化循環(huán)注意力網(wǎng)絡
4．1 引言
4．2 通過生成動畫進行跟蹤
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 使用自適應計算時間
4．4 實驗
……
第5章 基于雙過程理論的分層局部路徑規(guī)劃
參考文獻
附錄A 面向動態(tài)場景預測的張量式循環(huán)神經(jīng)網(wǎng)絡
附錄B 面向無監(jiān)督多目標檢測的記憶式循環(huán)注意力網(wǎng)絡
附錄C 面向無監(jiān)督多目標跟蹤的重優(yōu)先化循環(huán)注意力網(wǎng)絡