車聯網，深度學習，無人駕駛

> 車聯網 前裝市場 與 後裝市場

-- 前裝市場

 指整車廠出廠時就會裝備的電子產品的市場，客戶是整車廠的配套企業；
 前裝市場（factory-installed products）是，一旦打入前裝市場，對電子產品分銷商來講意味著得到一個非常穩定，銷量有充分保證的市場。

-- 車聯網後裝產品
  車聯網後裝產品（aftermarket installed telematics products)是通過車輛加裝自主研發OBD終端，實時獲取車輛資料，並通過手機等客戶端向車主提供車輛資訊、駕駛行為分析等以及一鍵導航、車輛安防、緊急救援等車聯網功能的車載後裝產品。

> 深度學習，無人駕駛

  目前有很多深度學習框架可以用來構建深度學習模型，例如TensorFlow、TFLearn、Theano、Caffe、PyTorch、MXNet和Keras等等。其中Keras是一個非常簡潔的框架，其後端多采用TensorFlow或Theano，目前Keras已經被Google官方支援。
  通過Keras庫來構建端到端無人駕駛模型。利用Keras深度學習框架（後臺採用TensorFlow），我們僅僅需要十幾行程式碼就可以構建並訓練上述LeNet模型。
  很多經典的用於影象的神經網路模型都是基於卷積神經網路模型，LeNet[5]是最早用於商業手寫數字識別的卷積神經網路模型，現在重構的LeNet和原來的結構有一些差別，但是一般仍保留兩個卷積層和兩個池化層的結構。
  經典深度學習模型遷移到端到端無人駕駛模型的構建中。一種更好的策略是結合CNN模型的影象特徵提取功能和LSTM模型的時序記憶功能，組成混合深度學習模型應用到端到端無人駕駛。利用Keras這種簡潔的深度學習庫， 可以很容易構建自己的端到端無人駕駛模型。
  三種深度學習模型：淺層神經網路模型、類LeNet卷積神經網路模型和NVIDIA端到端無人駕駛模型。

基於深度學習的醫學影象配準綜述- https://blog.csdn.net/weixin_41699811/article/details/84314070
  碩士研究生在讀，主攻基於深度學習的醫學影象處理方向，現在在做基於CNN的二維影象非剛性配準的研究。配準是醫學影象處理中常用的基本技術，大量使用在醫療影像領域的各個方面，比如病灶檢測，疾病診斷，手術規劃，手術導航，療效評估等。相較於檢測、分類與分割任務，醫學影象配準任務更加複雜，由於其任務本身的特性，將深度學習技術在自然影象上取得的進展遷移到配準任務上也更難一些，但隨著深度學習的學習與研究熱潮的高漲，配準領域的研究也因此受益，目前也有一定量的工作發表。