nas缺點的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列免費下載的地點或者是各式教學

有感的設計：結合不同設計策略，強化優勢、減少阻力，你就可能挖到金礦

為了解決nas缺點的問題，作者戴博拉‧納斯 這樣論述：

　　為何這麼多新科技產品以失敗告終？  　　哪些因素促使人們接納新技術？  　　如何設計有意思的產品？    　　即將到來的元宇宙（metaverse）隱含龐大商機，不論人工智慧、虛擬實境、擴增實境、區塊鏈、機器人、3D列印……運用日新月異的新科技設計產品和服務時，必須讓使用者產生好感，覺得對他們有價值，才是商品成功的關鍵因素。 　 　　戴博拉‧納斯身為設計師、教授和技術創新領域的思想領袖，特別將她25年的經驗轉化為實用的設計策略，有系統的將設計技能與思維予以知識化，歸納成能夠「增強效益」與「減少阻力」的創新指南。引導開發者如何使創新靈感得以驗證，最終對使用者產生意義的完善設計 。   　

　有些人喜歡科技產品，有些人則擔憂科技產品會對我們的生活、社會和地球造成破壞。本書也特別關注滿足人本需求及符合循環經濟的永續發展潮流，設計出好處遠超過潛在壞處的科技產品。   　　這本重要的指南，適合工程師、創新主管、產品經理、產品所有人、開發人員、設計師、新創公司創辦人和任何希望成功打造科技產品的創新人士閱讀。   　　這本指南能幫你把優異的創意轉化為創新、創價的產品！   本書特色   　　全書提供超過50個設計策略，從一般產品到VR、AR、AI等技術，可以看到這些年來工業設計發展的足跡。   　　作者為熱愛科技的創業家，於荷蘭台夫特理工大學擔任技術創新策略教授，本書亦是其「設計精神取向的

研究」菁華總結。   名人推薦   　　林承毅(林 事務所執行長) 　　卓致遠(致遠體驗設計 設計總監) 　　謝榮雅(台灣工業設計教父) 　　張基義(台灣設計研究院院長) 　　梅國卿(正美集團企業發展總經理) 　　張家瑞(美國德拉瓦大學藝術與設計系助理教授/台夫特理工大學建築設計博士)  　　王宗欣(跨界藝術家)    好評推薦   　　設計，應用在各種形式和媒材上，終究還是圍繞著以人為本的精神，設計的思考並不是提供一種標準答案，唯有不斷想像嘗試修正才有辦法洞察到人的真正需求。探索的視角，小從個人、大到群體、社會、人類文化層面，都會影響到設計的效應。本書從眾多案例中了解到設計盲點和打動人心的關

鍵。 ──王宗欣｜跨界藝術家    　　身為一位服膺使用者需求為中心，信仰人本需求為絕對之重的服務設計師，如何創造超乎用戶預期的體驗、服務及產品，一直是我們長期所努力的目標，但就如同創新三圓交集理論所提及，唯有貼近人們的真實需求，組織的商業模式及技術可行性才能成就真正的創新。   　　該如何成就真正的創新呢？『以科技為基礎的創新策略設計』就是一個可行的方法，有別於人本設計的漸進式路線，能突破框架，讓技術先行推動許多的創新突破成為可能。雖然這樣看起來好像是技術為主導，但別誤會了『科技始終來自人性』這個絕對真理。當『高齡化、少子化、城鄉過疏」現象，儼然成為全球人類共通的危機，在這樣情況下，科技確實

是一帖不可忽略的救命解方。因此當日本推動Society 5.0，全球一起推動5G或預告AI時代來臨，都在在提醒著我們，不要輕忽『科技』將在未來社會帶給人們更大、更積極的貢獻，相信當那一天來臨，必然會有更多有感的設計。讓我們一起期待那天的到來。──林承毅|林 事務所執行長、政大社會學系兼任講師   　　過去我認為設計Sense很抽象，很難學也很難培養，只能說有些人有，有些人就是沒有。 但這幾年來，我發現所有具Sense的人都有一個特質：他們做的決策比較有品質，原因是，他們在做決策的時候，會先做好確認。這個設計讓使用者感到增加了什麼優勢，減少了什麼阻礙？像是：這個功能，是在減少使用者犯錯所浪費的時

間；這個說明，是在增加使用者自行處理的信心；這個資訊放在這裡，是在賦予使用者掌握每月支出的能力......寫得出這些明確的目標，才達得到目標。 這本書詳述了許多讓使用者有感的作法，甚至明確的教要怎麼做、不要怎麼做，最終做出有品質的決策，真的很值得參考！──卓致遠｜致遠體驗設計 設計總監    　　在荷蘭攻讀博士的日子，最欣賞的就是他們勇於創新的精神。我所就讀的台夫特理工大學，做爲國王的學校，更在各領域將此精神發揮得淋漓盡致。戴博拉．納斯身為學校技術創新策略設計教授，將其多年實務與學術經驗化成這本《有感的設計》，期望讀者將其視為『科技創新者指南』，不僅可從中獲取靈感，更可做為審視創新設計的準則。

推薦大家。！──張家瑞|美國德拉瓦大學藝術與設計系助理教授，台夫特理工大學建築設計博士   　　本書具體回應當前企業實務與設計產業共同關心的議題，設計如何從創意層次提升到創新、創價的商業策略層次，設計如何從滿足人本需求到符合循環經濟的環境永續發展潮流，設計如何從開發者的優異靈感到得以驗證評估，最終對使用者產生意義(make sense)。良好完善的設計，涉及戰術(tactic)與戰略(strategy)層次。本書將現實生活中得到驗證的成功案例，系統性的將設計技能與思維予以知識化，歸納成能夠『增強效益』與『減少阻力』的實用策略，閱讀後不僅可具體操作應用在開發與創新領域，更能深刻體會到，設計的終極

目的在於創價、人文、永續！──梅國卿｜正美集團企業發展總經理  

nas缺點進入發燒排行的影片

一個具RAID功能之USB磁碟擴充裝置研究-應用TRIZ理論

為了解決nas缺點的問題，作者張耀文 這樣論述：

在台灣，曾經每兩人就有一人使用過隨身碟，而使用量高的主要原因是：裝置攜帶方便、價格便宜等，但隨身碟在使用上依然有許多不便之處，如：必須插入電腦才可以存取資料、資料儲存量過小(一般遠小於硬碟)、隨身碟時常會因主板的晶片故障或病毒攻擊導致資料容易遺失。另一方面，因雲端技術的發展，使得隨身碟的使用率大幅下降，因此本研究將使用TRIZ發明問題解決理論，運用TRIZ所提供的39 項工程參數、矛盾矩陣、40 項發明原則，來解決上述隨身碟在使用上的缺點。經透過39 項工程參數分析後，將問題點套用於矛盾矩陣中，得出的6項發明原則中找出有關上述問題的創新解決方案，並進一步的設計出無線隨身碟擴充裝置，裝置透過無

線的方式存取隨身碟內的資料，加快資料更新的速度，架設RAID，可將多個隨身碟的存取空間合併，使得資料的存取空間擴充性增加。這個RAID裝置當然也具備資料自動備份的功能，解決單一隨身碟資料容易遺失的問題，更進一步保障資料的安全性，及活化隨身碟的使用率，並且隨身碟擴充裝置相比傳統NAS，數據傳輸速度更快、架設成本更低、體積更小。本研究所提出的無線隨身碟擴充裝置已申請並獲得專利，在2020 KIDE高雄發明展亦獲得金牌殊榮。

深度學習之PyTorch物體檢測實戰

為了解決nas缺點的問題，作者董洪義 這樣論述：

《深度學習之PyTorch物體檢測實戰》從概念、發展、經典實現方法等幾個方面系統地介紹了物體檢測的相關知識，重點介紹了FasterRCNN、SDD和YOLO這三個經典的檢測器，並利用PyTorch框架從代碼角度進行了細緻講解。另外，《深度學習之PyTorch物體檢測實戰》進一步介紹了物體檢測的輕量化網路、細節處理、難點問題及未來的發展趨勢，從實戰角度給出了多種優秀的解決方法，便於讀者更深入地掌握物體檢測技術，從而做到在實際專案中靈活應用。 《深度學習之PyTorch物體檢測實戰》共10章，涵蓋的主要內容有物體檢測與PyTorch框架基礎概念與背景知識；PyTorch基礎知識；基礎卷積網路Ba

ckbone；兩階經典檢測器FasterRCNN；單階多層檢測器SSD；單階經典檢測器YOLO；模型加速之輕量化網路；物體檢測細節處理；物體檢測難點問題；物體檢測的未來發展。 《深度學習之PyTorch物體檢測實戰》內容豐富，講解通俗易懂，案例典型，實用性強，特別適合PyTorch框架愛好者和物體檢測相關從業人員閱讀，也適合深度學習和電腦視覺領域的研究人員閱讀。另外，《深度學習之PyTorch物體檢測實戰》還適合作為深度學習培訓機構的教材使用。   董洪義本科、碩士均畢業於北京航空航太大學。深度學習與PyTorch資深愛好者。現任百度自動駕駛高級演算法工程師。曾擔任Pha

ntomTiger演算法負責人、地平線智慧駕駛部門演算法實習生、北航國際拓展團團長。曾經被評為北京航空航太大學年度人物。曾經獲得了Kaggle競賽銀牌。本科期間成績年級第一，曾前往日本、英國、比利時、荷蘭等國的知名學校訪問交流。研究方向為自動駕駛感知、智慧型機器人與電腦視覺。有3年以上的深度學習研發經驗。 第1篇  物體檢測基礎知識 第1章  淺談物體檢測與PyTorch 2 1.1  深度學習與電腦視覺 2 1.1.1  發展歷史 2 1.1.2  電腦視覺 7 1.2  物體檢測技術 9 1.2.1  發展歷程 10 1.2.2  技術應用領域 11 1.2.3  評價

指標 12 1.3  PyTorch簡介 17 1.3.1  誕生與特點 17 1.3.2  各大深度學習框架對比 17 1.3.3  為什麼選擇PyTorch 19 1.3.4  安裝方法 20 1.4  基礎知識準備 22 1.4.1  Linux基礎 22 1.4.2  Python基礎 24 1.4.3  高效開發工具 29 1.5  總結 36 第2章  PyTorch基礎 37 2.1  基本資料：Tensor 37 2.1.1  Tensor資料類型 37 2.1.2  Tensor的創建與維度查看 39 2.1.3  Tensor的組合與分塊 41 2.1.4  Tensor

的索引與變形 42 2.1.5  Tensor的排序與取極值 46 2.1.6  Tensor的自動廣播機制與向量化 46 2.1.7  Tensor的記憶體共用 47 2.2  Autograd與計算圖 48 2.2.1  Tensor的自動求導：Autograd 49 2.2.2  計算圖 50 2.2.3  Autograd注意事項 51 2.3  神經網路工具箱torch.nn 52 2.3.1  nn.Module類 52 2.3.2  損失函數 55 2.3.3  優化器nn.optim 56 2.4  模型處理 59 2.4.1  網路模型庫：torchvision.models

59 2.4.2  載入預訓練模型 60 2.4.3  模型保存 61 2.5  資料處理 61 2.5.1  主流公開資料集 61 2.5.2  數據載入 63 2.5.3  GPU加速 65 2.5.4  數據視覺化 66 2.6  總結 68 第3章  網路骨架：Backbone 69 3.1  神經網路基本組成 69 3.1.1  卷積層 70 3.1.2  啟動函數層 72 3.1.3  池化層 75 3.1.4  Dropout層 76 3.1.5  BN層 77 3.1.6  全連接層 79 3.1.7  深入理解感受野 81 3.1.8  詳解空洞卷積（Dilated Co

nvolution） 82 3.2  走向深度：VGGNet 83 3.3  縱橫交錯：Inception 87 3.4  里程碑：ResNet 93 3.5  繼往開來：DenseNet 95 3.6  特徵金字塔：FPN 99 3.7  為檢測而生：DetNet 106 3.8  總結 110 第2篇  物體檢測經典框架 第4章  兩階經典檢測器：Faster RCNN 112 4.1  RCNN系列發展歷程 112 4.1.1  開山之作：RCNN 112 4.1.2  端到端：Fast RCNN 113 4.1.3  走向即時：Faster RCNN 114 4.2  準備工作 11

4 4.3  Faster RCNN總覽 115 4.4  詳解RPN 117 4.4.1  理解Anchor 117 4.4.2  RPN的真值與預測量 119 4.4.3  RPN卷積網路 120 4.4.4  RPN真值的求取 122 4.4.5  損失函數設計 124 4.4.6  NMS與生成Proposal 125 4.4.7  篩選Proposal得到RoI 126 4.5  RoI Pooling層 127 4.6  全連接RCNN模組 130 4.6.1  RCNN全連接網路 130 4.6.2  損失函數設計 131 4.7  Faster RCNN的改進演算法 131 4

.7.1  審視Faster RCNN 132 4.7.2  特徵融合：HyperNet 133 4.7.3  實例分割：Mask RCNN 134 4.7.4  全卷積網路：R-FCN 137 4.7.5  級聯網路：Cascade RCNN 139 4.8  總結 141 第5章  單階多層檢測器：SSD 142 5.1  SSD總覽 142 5.1.1  SSD的演算法流程 142 5.1.2  代碼準備工作 143 5.2  數據預處理 144 5.2.1  載入PASCAL資料集 144 5.2.2  資料增強 144 5.3  網路架構 148 5.3.1  基礎VGG結構 14

8 5.3.2  深度卷積層 149 5.3.3  PriorBox與邊框特徵提取網路 150 5.3.4  總體網路計算過程 153 5.4  匹配與損失求解 154 5.4.1  預選框與真實框的匹配 154 5.4.2  定位損失的計算 155 5.4.3  難樣本挖掘 156 5.4.4  類別損失計算 156 5.5  SSD的改進演算法 157 5.5.1  審視SSD 157 5.5.2  特徵融合：DSSD 158 5.5.3  彩虹網路：RSSD 160 5.5.4  基於SSD的兩階：RefineDet 162 5.5.5  多感受野融合：RFBNet 165 5.6  總

結 166 第6章  單階經典檢測器：YOLO 167 6.1  無錨框預測：YOLO v1 167 6.1.1  網路結構 167 6.1.2  特徵圖的意義 168 6.1.3  損失計算 169 6.2  依賴錨框：YOLO v2 171 6.2.1  網路結構的改善 171 6.2.2  先驗框的設計 173 6.2.3  正、負樣本與損失函數 175 6.2.4  正、負樣本選取代碼示例 176 6.2.5  工程技巧 179 6.3  多尺度與特徵融合：YOLO v3 180 6.3.1  新網路結構DarkNet-53 180 6.3.2  多尺度預測 181 6.3.3  S

oftmax改為Logistic 182 6.4  總結 183 第3篇  物體檢測的難點與發展 第7章  模型加速之輕量化網路 186 7.1  壓縮再擴展：SqueezeNet 188 7.1.1  SqueezeNet網路結構 188 7.1.2  SqueezeNet總結 190 7.2  深度可分離：MobileNet 191 7.2.1  標準卷積 191 7.2.2  深度可分離卷積 192 7.2.3  MobileNet v1結構 193 7.2.4  MobileNet v1總結 198 7.2.5  MobileNet v2 198 7.3  通道混洗：ShuffleN

et 200 7.3.1  通道混洗 201 7.3.2  網路結構 202 7.3.3  ShuffleNet v2 205 7.4  總結 207 第8章  物體檢測細節處理 209 8.1  非極大值抑制：NMS 209 8.1.1  NMS基本過程 210 8.1.2  抑制得分：Soft NMS 212 8.1.3  加權平均：Softer NMS 213 8.1.4  定位置信度：IoU-Net 215 8.2  樣本不均衡問題 217 8.2.1  不均衡問題分析 217 8.2.2  線上難樣本挖掘：OHEM 219 8.2.3  專注難樣本：Focal Loss 221 8

.3  模型過擬合 224 8.3.1  資料增強 226 8.3.2  L1與L2正則化 227 8.4  總結 229 第9章  物體檢測難點 230 9.1  多尺度檢測 230 9.1.1  多尺度問題 230 9.1.2  降低下取樣速率與空洞卷積 232 9.1.3  Anchor設計 233 9.1.4  多尺度訓練 235 9.1.5  特徵融合 235 9.1.6  尺度歸一化：SNIP 236 9.1.7  三叉戟：TridentNet 238 9.2  擁擠與遮擋 239 9.2.1  遮擋背景 240 9.2.2  排斥損失：Repulsion Loss 242 9.

2.3  OR-CNN 244 9.3  總結 247 第10章  物體檢測的未來發展 248 10.1  重新思考物體檢測 248 10.1.1  精度與速度的權衡 249 10.1.2  卷積網路的可解釋性與穩定性 249 10.1.3  訓練：微調還是隨機初始化 250 10.1.4  考慮物體間關係的檢測 251 10.1.5  優化卷積方式 252 10.1.6  神經架構搜索：NAS 253 10.1.7  與產業結合的創新 255 10.2  擺脫錨框：Anchor-Free 257 10.2.1  重新思考Anchor 257 10.2.2  基於角點的檢測：CornerNe

t 258 10.2.3  檢測中心點：CenterNet 262 10.2.4  錨框自學習：Guided Anchoring 264 10.3  總結 266   隨著深度學習的飛速發展，電腦視覺技術取得了令人矚目的成果，尤其是物體檢測這一基礎又核心的分支，誕生了眾多經典演算法，在自動駕駛、智慧醫療、智慧安防及搜索娛樂等多個領域都得到了廣泛應用。與此同時，誕生於2017年的PyTorch框架，憑藉其簡潔優雅、靈活易上手等優點，給開發人員留下了深刻的印象。 目前，國內圖書市場上已經出版了幾本PyTorch方面的圖書，但大多數圖書停留在淺層的概念與簡單示例的講解上，缺乏實

用性，而且也沒有一本系統講解PyTorch物體檢測方面的圖書。因此，圖書市場上迫切需要一本系統介紹PyTorch物體檢測技術的書籍。這便是筆者寫作《深度學習之PyTorch物體檢測實戰》的初衷。 《深度學習之PyTorch物體檢測實戰》是國內原創圖書市場上首部系統介紹物體檢測技術的圖書。書中利用PyTorch深度學習框架，從代碼層面講解了FasterRCNN、SSD及YOLO這三大經典框架的相關知識，並進一步介紹了物體檢測的細節與難點問題，讓讀者可以全面、深入、透徹地理解物體檢測的種種細節，並能真正提升實戰能力，從而將這些技術靈活地應用到實際開發中，享受深度學習帶來的快樂。 《深度學習之P

yTorch物體檢測實戰》特色 1.系統介紹了PyTorch物體檢測技術 《深度學習之PyTorch物體檢測實戰》深入物體檢測這一基礎又核心的技術，從其誕生背景、主流演算法、難點問題、發展趨勢等多個角度詳細介紹了物體檢測知識，並結合代碼給出了多個演算法的實現。 從代碼角度詳細介紹了物體檢測的三大演算法 《深度學習之PyTorch物體檢測實戰》介紹了FasterRCNN、SSD及YOLO這三個影響深遠的檢測演算法，從代碼層面詳細介紹了它們所實現的每一個細節與難點，並進行了優缺點分析，而且給出了多種優化演算法。 涵蓋所有主流的物體檢測演算法 《深度學習之PyTorch物體檢測實

戰》幾乎涵蓋所有主流的物體檢測演算法，包括VGGNet、ResNet、FPN、DenseNet和DetNet等卷積基礎網路，以及從FasterRCNN、HyperNet、MaskRCNN、SSD、RefineDet、YOLOv1到YOLOv3、RetinaNet、CornerNet和CenterNet等物體檢測演算法，呈現給讀者一個完整的知識體系。 給出了多個實際的物體檢測實例，有很強的實用性 《深度學習之PyTorch物體檢測實戰》對PyTorch的知識體系進行了較為精煉的介紹，還結合物體檢測演算法重點介紹了PyTorch實現的多個物體檢測實例。因此《深度學習之PyTorch物體檢

測實戰》不僅是一本很好的PyTorch框架學習書籍，更是一本PyTorch物體檢測實戰寶典。 對物體檢測技術常見的細節、難點及發展做了詳細分析 《深度學習之PyTorch物體檢測實戰》不僅對物體檢測技術的熱門話題做了詳細分析，例如非極大值抑制、樣本不均衡、模型過擬合、多尺度檢測、物體擁擠與遮擋等，而且對各種細節與常見問題做了詳細分析，並給出了多種解決方法。 《深度學習之PyTorch物體檢測實戰》內容 第1篇物體檢測基礎知識 本篇涵蓋第1~3章，介紹了物體檢測技術與PyTorch框架的背景知識與必備的基礎知識。主要內容包括物體檢測技術的背景與發展；物體檢測的多種有效工具；PyTor

ch背景知識與基礎知識；多種基礎卷積神經網路的相關知識與具體實現等。掌握本篇內容，可以為讀者進一步學習物體檢測技術奠定基礎。 第2篇物體檢測經典框架 本篇涵蓋第4~6章，介紹了FasterRCNN、SSD與YOLO三大經典演算法的思想與實現。主要內容包括FasterRCNN兩階演算法的思想；錨框Anchor的意義與實現；FasterRCNN的多種改進演算法；SSD單階演算法的思想與實現；SSD的資料增強方法及多種改進演算法；YOLO單階演算法的三個版本演變過程及具體實現等。掌握本篇內容，可以讓讀者從代碼角度學習物體檢測的種種細節。 第3篇物體檢測的難點與發展 本篇涵蓋第7~10章，介紹了物

體檢測技術的細節、難點及未來發展。主要內容包括針對模型加速的多種輕量化網路思想與實現；非極大值抑制；樣本不均衡及模型過擬合等物體檢測細節問題的背景知識與解決方法；多尺度、擁擠與遮擋等物體檢測難點問題的背景知識與解決方法；多種擺脫錨框的檢測演算法；物體檢測的未來發展趨勢等。掌握本篇內容，可以讓讀者更加深入地學習物體檢測的相關技術。 《深度學習之PyTorch物體檢測實戰》讀者物件 需要全面學習物體檢測技術的人員； PyTorch框架愛好者和研究者； 電腦視覺從業人員與研究者； 深度學習從業人員與愛好者； 自動駕駛、智慧安防等領域的開發人員； 人工智慧相關產業的從業人員； 電腦、機器人等專業的高

校學生。 閱讀建議 沒有物體檢測與PyTorch基礎的讀者，建議從第1章順次閱讀並演練每一個實例。 有一定PyTorch與物體檢測基礎的讀者，可以根據實際情況有重點地選擇閱讀各個演算法的細節。 對於每一個檢測演算法，建議讀者先閱讀一下原論文，多思考演算法設計的動機與目的，並重點思考如何用代碼實現，這會加深讀者對檢測演算法的理解。原論文的下載地址和《深度學習之PyTorch物體檢測實戰》原始程式碼檔一起提供。 多思考各種物體檢測演算法的優缺點、相互之間的聯繫與區別，以及可以優化和改進的細節等，形成完整的知識體系樹，這樣會進一步加深讀者對知識的理解。 配書資源獲取方式 《深度學習之PyTorc

h物體檢測實戰》涉及的全部原始程式碼都放在了GitHub上，需要讀者自行下載。下載地址見圖書。 有些章節的代碼較多，但在書中僅給出了重要的片段代碼，完整代碼以GitHub上的代碼為准。 另外，讀者也可以登錄華章公司的網站www.hzbook.com，搜索到《深度學習之PyTorch物體檢測實戰》，然後按一下“資料下載”按鈕，即可在本書頁面上找到相關的下載連結。 致謝 《深度學習之PyTorch物體檢測實戰》的編寫得到了許多人的幫助。可以說，《深度學習之PyTorch物體檢測實戰》是多人共同努力的結晶。感謝北京源智天下科技有限公司的王蕾，她在稿件整理方面幫我做了大量的工作！感謝王田苗教授、陶吉

博士、夏添博士、侯濤剛博士、嚴德培、單增光、王策、鄂俊光、李成、丁甯、付航、高鵬、朱本金、彭強、王粟瑤、張騰、王兆瑋、黃彬效和拓萬琛等人，他們對《深度學習之PyTorch物體檢測實戰》提出了許多寶貴的意見和建議！感謝我的女朋友及家人，他們一直以來都對我鼓勵有加，給我寫作《深度學習之PyTorch物體檢測實戰》以最大的動力！感謝為《深度學習之PyTorch物體檢測實戰》付出辛勤工作的每一位編輯，他們認真、細緻的工作讓《深度學習之PyTorch物體檢測實戰》品質提高不少！ ……  

車載影像系統基於深度神經網路之車道線偵測技術開發

為了解決nas缺點的問題，作者張浚格 這樣論述：

科技不斷的進步，越來越多人開始重視交通安全，而車道線偵測是自動駕駛系統重要的一環之一。因為在自動駕駛系統中，為了要將車輛可以維持在車道的中間，需要利用車道線偵測偵測出車道。傳統車道線偵測都是用一些影像處理的方法來找出影像中的直線，缺點也很明顯，很難利用一種方法就偵測出直線或曲線，而且在複雜的場景很難偵測出車道。本文提出了基於深度學習的方法，並結合了3D 卷積網路，讓時間軸的資訊一併加入到網路架構中，使用車上的行車紀錄器，並且輸入一段影片，系統可以立即的偵測出前方車道線資訊。對於時間軸加入到網路架構中，我們還提出了改良，除了將使用3D-ResNet50 之外，還將時間卷積與空間卷積拆分出來。除

了使用影像來偵測車道線之外，本篇還初步的加入了OSM 圖資資訊，並提取其中的路口處資訊以及衛星資訊來輔助車道線的偵測。