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 研究內容
1．3 國內外的研究現狀
1．3．1 動態場景預測
1．3．2 多目標檢測
1．3．3 多目標跟蹤
1．3．4 局部路徑規劃
1．4 展望

第2章 面向動態場景預測的張量式循環神經網絡
2．1 引言
2．2 方法
2．2．1 張量化隱狀態
2．2．2 合并深度計算
2．2．3 擴展為LSTM
2．2．4 處理結構化輸入
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

第3章 面向無監督多目標檢測的記憶式循環注意力網絡
3．1 引言
3．2 無監督多目標檢測：通過渲染進行檢測
3．2．1 概述
3．2．2 特征提取器
3．2．3 循環目標檢測器
3．2．4 渲染器
3．2．5 損失
3．3 記憶式循環注意力網絡
3．4 實驗
3．4．1 Sprites數據集
3．4．2 DukeMTMC數據集
3．4．3 TUD數據集
3．4．4 UMOD-MRAN數據集的可視化
3．5 相關工作
3．6 本章小結

第4章 面向無監督多目標跟蹤的重優先化循環注意力網絡
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劃
參考文獻
附錄A 面向動態場景預測的張量式循環神經網絡
附錄B 面向無監督多目標檢測的記憶式循環注意力網絡
附錄C 面向無監督多目標跟蹤的重優先化循環注意力網絡