面向自主驾驶场景感知的循环神经架构

第1章 绪论
1．1 研究背景
1．1．1 自主驾驶
1．1．2 自主驾驶场景感知
1．1．3 面向自主驾驶场景感知的深度学习
1．2 研究内容
1．3 国内外的研究现状
1．3．1 动态场景预测
1．3．2 多目标检测
1．3．3 多目标跟踪
1．3．4 局部路径规划
1．4 展望
第2章 面向动态场景预测的张量式循环神经网络
2．1 引言
2．2 方法
2．2．1 张量化隐状态
2．2．2 合并深度计算
2．2．3 扩展为LSTM
2．2．4 处理结构化输入
2．3 实验
2．3．1 任务1：文本生成
2．3．2 任务2：文本计算
2．3．3 任务3：图像分类
2．3．4 任务4：动态场景预测
2．3．5 记忆单元的可视化
2．4 相关工作
2．4．1 卷积LsTM
2．4．2 深度LSTM
2．4．3 其他并行化方法
2．5 本章小结
第3章 面向无监督多目标检测的记忆式循环注意力网络
3．1 引言
3．2 无监督多目标检测：通过渲染进行检测
3．2．1 概述
3．2．2 特征提取器
3．2．3 循环目标检测器
3．2．4 渲染器
3．2．5 损失
3．3 记忆式循环注意力网络
3．4 实验
3．4．1 Sprites数据集
3．4．2 DukeMTMC数据集
3．4．3 TUD数据集
3．4．4 UMOD-MRAN数据集的可视化
3．5 相关工作
3．6 本章小结
第4章 面向无监督多目标跟踪的重优先化循环注意力网络
4．1 引言
4．2 通过生成动画进行跟踪
4．2．1 概述
4．2．2 特征提取器
4．2．3 跟踪器阵列
4．2．4 渲染器
4．2．5 损失
4．3 重优先化注意式跟踪
4．3．1 使用注意力
4．3．2 将输入作为记忆
4．3．3 重优先化跟踪器
4．3．4 使用自适应计算时间
4．4 实验
……
第5章 基于双过程理论的分层局部路径规划
参考文献
附录A 面向动态场景预测的张量式循环神经网络
附录B 面向无监督多目标检测的记忆式循环注意力网络
附录C 面向无监督多目标跟踪的重优先化循环注意力网络