深度學習之圖像目標檢測與識別方法(人工智慧)/新工科人才培養系列叢書
內容大鋼
本書介紹了深度學習在圖像目標檢測與識別領域的應用，主要包括基於UNet的圖像去霧演算法、基於特徵融合GAN的圖像增強演算法、基於ESRGAN的圖像超解析度重建演算法、基於嵌套UNet的圖像分割演算法、基於對抗遷移學習的水下大壩裂縫圖像分割演算法、基於改進Faster-RCNN的海洋生物檢測演算法、基於YOLOv4的目標檢測演算法、基於RetinaNet的密集目標檢測演算法、基於LSTM網路的視頻圖像目標實時檢測、基於改進YOLOv4的嵌入式變電站儀錶檢測演算法等。
作者介紹
史朋飛//范新南//辛元雪//萬剛//王慶穎|責編:田宏峰
目錄
第0章 緒論
0.1 研究背景及意義
0.2 國內外研究現狀
0.2.1 水下圖像質量提升方法
0.2.2 基於深度學習的目標檢測演算法研究
0.2.3 裂縫圖像分割演算法研究
0.3 本書的主要內容及章節安排如下
參考文獻
第1章 基於UNet的圖像去霧演算法
1.1 引言
1.2 本章演算法
1.2.1 特徵提取層
1.2.2 網路結構
1.2.3 損失函數
1.3 實驗與分析
1.3.1 實驗環境
1.3.2 實驗數據集
1.3.3 評價指標
1.3.4 參數設置
1.3.5 實驗結果
1.3.6 運行時間對比
1.4 本章小結
參考文獻
第2章 基於特徵融合GAN的圖像增強演算法
2.1 引言
2.2 GAN概述
2.2.1 GAN的基本概念
2.2.2 GAN的數學模型
2.3 基於特徵融合GAN的圖像增強演算法
2.3.1 顏色校正
2.3.2 生成器的結構
2.3.3 判別器的結構
2.3.4 損失函數的選擇
2.4 實驗與分析
2.4.1 實驗數據及訓練
2.4.2 實驗結果
2.4.3 消融實驗
2.5 本章小結
參考文獻
第3章 基於ESRGAN的圖像超解析度重建演算法
3.1 引言
3.2 ESRGAN
3.3 基於ESRGAN的水下圖像超解析度重建演算法
3.3.1 生成器的結構
3.3.2 相對判別器的結構
3.3.4 損失函數的選擇
3.4 實驗與分析
3.4.1 實驗數據及訓練
3.4.2 實驗結果
3.5 本章小結
參考文獻
第4章 基於嵌套UNet的圖像分割演算法
4.1 引言
4.2 卷積神經網路的相關技術
4.3 全卷積網路
4.4 UNet模型
4.5 裂縫圖像分割模型Att_Nested_UNet
4.5.1 相關研究
4.5.2 Att_Nested_UNet的工作原理
4.5.3 實驗及結果
4.6 本章小結
參考文獻
第5章 基於對抗遷移學習的水下大壩裂縫圖像分割演算法
5.1 引言
5.2 相關工作
5.2.1 裂縫圖像分割
5.2.2 水下大壩裂縫圖像分割
5.2.3 遷移學習
5.3 本章演算法
5.3.1 網路模型
5.3.2 對抗遷移學習
5.3.3 損失函數
5.4 實驗與分析
5.4.1 數據集
5.4.2 訓練策略
5.4.3 實驗結果
5.4.4 評價指標
5.5 本章小結
參考文獻
第6章 基於改進Faster-RCNN的海洋生物檢測演算法
6.1 引言
6.2 相關工作
6.3 本章演算法
6.3.1 ResNet-BiFPN簡介
6.3.2 有效交並比
6.3.3 K-means++演算法
6.4 實驗與分析
6.4.1 實驗配置及數據集
6.4.2 評價指標
6.4.3 實驗結果
6.5 本章小結
參考文獻
第7章 基於YOLOv4的目標檢測演算法
7.1 引言
7.2 結合數據增強和改進YOLOv4的水下目標檢測演算法
7.2.1 CBAM-CSPDarknet53
7.2.2 DetPANet
7.2.3 PredMix
7.3 實驗與分析
7.3.1 實驗配置及數據集
7.3.2 實驗結果
7.4 本章小結
參考文獻
第8章 基於RetinaNet的密集目標檢測演算法
8.1 引言
8.2 本章演算法
8.2.1 本章演算法的主體框架
8.2.2 多維注意力模塊
8.2.3 弱化的非極大值抑制演算法
8.2.4 損失函數
8.3 實驗與分析
8.3.1 實驗環境與數據集
8.3.2 實驗參數與評價指標
8.3.3 實驗過程與結果分析
8.4 本章小結
參考文獻
第9章 基於LSTM網路的視頻圖像目標實時檢測演算法
9.1 引言
9.2 長短時記憶網路和記憶引導網路
[