深度學習--智能網路目標識別技術/人工智慧前沿技術叢書
內容大鋼
本書共7章，主要內容包括智能網路目標識別技術及相關基礎知識，新型深度目標識別方法（包括新型注意力機制深度目標識別方法、可控視覺表徵目標識別方法、知識內嵌智能目標識別方法），可解釋性目標識別方法，以及深度模型壓縮技術等。本書基於智能網路目標識別技術，深度提煉作者團隊在複雜場景智能感知方面長期積累的研究成果，旨在為讀者呈現深度學習方法在目標識別中的前沿技術及相關應用。
本書適用於有一定數學基礎的研究人員、研究生、高年級本科生，以及對人工智慧相關技術尤其是機器學習和智能感知等方向有濃厚興趣、有志深入鑽研的讀者。
作者介紹
石曉榮//林紹輝//倪亮//余躍//張寶昌|責編:張鐠丹
目錄
第1章 智能網路目標識別發展概述
1.1 目標識別技術
1.1.1 目標識別的基本概念與原理
1.1.2 目標識別的發展歷程
1.2 傳統目標識別技術
1.2.1 經典的特徵提取原理
1.2.2 經典目標檢測器
1.3 智能網路目標識別技術
1.3.1 基於錨框的智能網路目標識別技術
1.3.2 無錨框的智能網路目標識別技術
1.4 數據集及模型評估指標
1.4.1 目標分類任務的公開數據集和模型評估指標
1.4.2 目標檢測任務的公開數據集和模型評估指標
1.5 總結
參考文獻
第2章 智能網路目標識別基礎
2.1 深度學習技術原理
2.2 神經網路
2.2.1 感知機
2.2.2 前饋神經網路
2.2.3 反向傳播演算法
2.3 深度學習演算法、模型與優化
2.3.1 深度學習演算法的組成
2.3.2 深度模型的核心部件
2.3.3 代表性的網路模型
2.3.4 深度模型的優化演算法
2.4 典型智能網路目標識別演算法
2.4.1 Faster R-CNN
2.4.2 YOLO
2.4.3 FPN
2.4.4 CenterNet
2.4.5 DETR
2.5 總結
參考文獻
第3章 新型注意力機制深度目標識別方法
3.1 概述
3.2 引入反饋機制的特徵優化檢測器
3.2.1 IFF模塊
3.2.2 穩定性證明
3.2.3 實驗結果
3.3 雙解析度骨幹網路目標識別方法
3.3.1 網路總體結構
3.3.2 尺度內傳播模塊
3.3.3 尺度間對齊模塊
3.3.4 雙解析度特徵金字塔網路DS-FPN
3.3.5 實驗結果
3.4 總結
參考文獻
第4章 可控視覺表徵目標識別方法
4.1 混合高斯不確定性有界理論
4.2 基於Gabor的魯棒特徵提取與模型泛化能力提升
4.3 GCN
4.3.1 GCN前向傳播
4.3.2 GCN反向傳播
4.4 GCN實驗驗證與分析
4.4.1 手寫體字元識別
4.4.2 街景數字識別
4.4.3 自然圖像分類
4.4.4 大尺度圖像分類
4.5 總結
參考文獻
第5章 知識內嵌智能目標識別方法
5.1 深度模型中的知識內嵌方法概述
5.2 引入介尺度注意力的知識內嵌視覺模型
5.2.1 多模態CLIP演算法
5.2.2 知識內嵌模型
5.2.3 模擬實驗
5.3 屬性增強知識內嵌視覺模型
5.3.1 視覺屬性詞表的引入
5.3.2 專家知識提示工程
5.3.3 基於交叉注意力機制的視覺屬性詞表對齊
5.3.4 模擬實驗
5.4 總結
參考文獻
第6章 可解釋性目標識別方法
6.1 可解釋性方法綜述
6.2 基於誤差分數機制的可解釋性目標識別方法
6.2.1 誤差分數機制
6.2.2 可解釋性方法實驗結果
6.2.3 模型性能極限研究
6.3 基於因果約束的可解釋性目標識別方法
6.3.1 基於因果推斷的特徵重加權演算法
6.3.2 實驗結果
6.4 基於語義分析的細粒度可解釋性目標識別方法
6.4.1 語義特徵分析演算法
6.4.2 基於語義特徵提取的可解釋性深度學習演算法設計與分析
6.4.3 語義特徵提取演算法有效性分析
6.5 總結
參考文獻
第7章 深度模型壓縮技術
7.1 深度模型壓縮技術概述
7.1.1 模型稀疏化
7.1.2 模型量化
7.1.3 低秩分解
7.1.4 知識蒸餾
7.1.5 神經網路架構搜索
7.1.6 緊致化結構設計
7.1.7 深度模型壓縮技術的選擇
7.2 引入生成對抗的最優結構化剪枝方法
7.2.1 預備知識
7.2.2 公式建立
7.2.3 優化求解
7.2.4 結構選擇
7.2.5 實驗結果
7.3 閉式低秩分解和知識遷移的全局CNN壓縮方法
7.3.1 全局閉式低秩分解�
[