Nhan đề chính: Deep Neural Networks and Data for Automated Driving
Nhan đề dịch: Mạng neuron sâu và dữ liệu cho lái xe tự động
Tác giả: Tim Fingscheidt, Hanno Gottschalk, Sebastian Houben
Nhà xuất bản: Springer Cham
Năm xuất bản: 2022
Số trang: 445 tr.
Ngôn ngữ: Tiếng Anh
ISBN: 978-3-031-01235-8
SpringerLink
        Lời giới thiệu: Cuốn sách này tập hợp những phát triển mới nhất từ ​​ngành công nghiệp và nghiên cứu về lái xe tự động cùng trí tuệ nhân tạo.
        Nhận thức về môi trường đối với việc lái xe tự động hóa cao sử dụng mạng neuron sâu đang đối mặt với nhiều thách thức. Chúng ta cần bao nhiêu dữ liệu cho việc đào tạo và kiểm tra? Sử dụng dữ liệu tổng hợp như thế nào để tiết kiệm chi phí dán nhãn cho đào tạo? Làm cách nào để tăng cường độ mạnh mẽ và giảm mức sử dụng bộ nhớ? Trong điều kiện không thuận lợi: Làm sao chúng ta biết rằng hệ thống mạng không chắc chắn về các quyết định của mình? Liệu chúng ta có thể hiểu thêm về những gì thực sự xảy ra bên trong mạng neuron không? Những điều này đã dẫn đến một vấn đề rất thực tế, đặc biệt đối với mạng neuron sâu được sử dụng trong lái xe tự động: Phương pháp phê chuẩn chuẩn là gì và thế nào mới là an toàn?
        Cuốn sách này tổng hợp quan điểm từ cả giới học thuật và ngành công nghiệp, nơi thị giác máy tính và học máy đáp ứng nhận thức về môi trường cho việc lái xe tự động hóa cao. Đương nhiên, các khía cạnh về dữ liệu, độ tin cậy, định lượng độ không đảm bảo, và khía cạnh cuối cùng nhưng không kém phần quan trọng là độ an toàn, sẽ là cốt lõi. Cuốn sách này rất độc đáo: Phần đầu tiên cung cấp một bản khảo sát mở rộng về tất cả các khía cạnh liên quan. Phần thứ hai trình bày chi tiết kỹ thuật của các câu hỏi khác nhau được đề cập ở trên.
​        Từ khóa: Mạng neuron, trí tuệ nhân tạo, học sâu, lái xe tự động
Nội dung cuốn sách gồm những phần sau:
AI an toàn - Tổng quan
- Kiểm tra, nhận thức, khắc phục: Khảo sát các phương pháp thực tế về an toàn AI
 
Những tiến bộ gần đây về AI an toàn cho việc lái xe tự động
- Sự dư thừa trong hệ thống nhận thức AI có giúp kiểm tra hiệu suất lái xe tự động siêu nhân không?
- Phân tích và so sánh các bộ dữ liệu bằng cách tận dụng phân phối dữ liệu trong không gian tiềm ẩn
- Tổng hợp dữ liệu được tối ưu hóa để đào tạo và xác thực mạng neuron sâu bằng mô phỏng tạo tác cảm biến
- Cải thiện độ mạnh mẽ của mạng neuron sâu bằng cách đào tạo đa tác vụ với tác vụ tự giám sát phụ trợ
- Cải thiện khả năng chuyển đổi của các nhiễu loạn đối nghịch phổ biến được tạo ra để phân loại và phân đoạn hình ảnh
- Mạng thần kinh khả nghịch để hiểu ngữ nghĩa về tính bất biến của các biểu diễn mạng thần kinh tích chập
- Hiệu chỉnh độ tin cậy để phát hiện và phân đoạn đối tượng
- Định lượng độ không đảm bảo để phát hiện đối tượng: Phương pháp tiếp cận dựa trên đầu ra và độ dốc
- Phát hiện và tìm hiểu những điều chưa biết trong phân đoạn ngữ nghĩa
- Đánh giá kiến trúc hỗn hợp các chuyên gia để tổng hợp mạng
- Đảm bảo an toàn của học máy cho các chức năng nhận thức
- Phương pháp tổng hợp sâu đa dạng để xác thực nhận thức
- Điều tốt và điều xấu: Sử dụng vùng phủ sóng neuron làm kỹ thuật xác thực mạng neuron sâu
- Tối ưu hóa chung cho khả năng nén và sai lệch độ bền vững của mô hình mạng neuron sâu