基于深度學(xué)習(xí)的目標檢測與識別技術(shù)

第1章深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)類型/001
1.1深度學(xué)習(xí)簡介001
1.2主要深度學(xué)習(xí)網(wǎng)絡(luò)原理004
1.2.1堆疊自編碼器005
1.2.2卷積神經(jīng)網(wǎng)絡(luò)006
1.2.3深度信念網(wǎng)絡(luò)008
1.2.4遞歸神經(jīng)網(wǎng)絡(luò)009
1.2.5生成對抗網(wǎng)絡(luò)011
1.3深度學(xué)習(xí)實際應(yīng)用014
1.3.1目標檢測與識別014
1.3.2語音識別016
1.3.3文本識別017
1.4深度學(xué)習(xí)面臨挑戰(zhàn)018
1.4.1理論挑戰(zhàn)018
1.4.2工程挑戰(zhàn)020
參考文獻021

第2章基于深度學(xué)習(xí)的目標檢測技術(shù)/025
2.1目標檢測技術(shù)025
2.1.1目標檢測概念025
2.1.2目標檢測評價指標027
2.1.3目標檢測數(shù)據(jù)集029
2.2目標檢測方法030
2.2.1傳統(tǒng)目標檢測方法031
2.2.2深度學(xué)習(xí)目標檢測方法033
2.3基于區(qū)域的兩階段檢測器035
2.3.1R-CNN035
2.3.2SPPNet037
2.3.3Fast R-CNN038
2.3.4Faster R-CNN039
2.3.5FPN042
2.4基于區(qū)域的單階段檢測器042
2.4.1YOLO檢測器042
2.4.2其他檢測器048
2.5深度學(xué)習(xí)目標檢測開源框架050
2.5.1TensorFlow框架050
2.5.2PyTorch框架051
2.5.3PaddlePaddle框架052
參考文獻053

第3章基于Faster R-CNN的目標檢測技術(shù)/055
3.1Faster R-CNN算法056
3.2基于Faster R-CNN的目標檢測改進算法060
3.2.1特征提取層優(yōu)化060
3.2.2候選區(qū)域生成改進063
3.2.3雙線性插值的ROI歸一化064
3.2.4確定超參數(shù)065
3.2.5優(yōu)化算法參數(shù)選擇067
3.2.6網(wǎng)絡(luò)參數(shù)調(diào)整策略069
3.3實驗結(jié)果及分析078
參考文獻078

第4章基于領(lǐng)域自適應(yīng)的目標檢測技術(shù)/079
4.1領(lǐng)域自適應(yīng)概述079
4.1.1領(lǐng)域自適應(yīng)與領(lǐng)域泛化080
4.1.2相關(guān)概念數(shù)學(xué)描述083
4.1.3深度領(lǐng)域自適應(yīng)方法分類085
4.1.4領(lǐng)域自適應(yīng)的不同形式087
4.2領(lǐng)域自適應(yīng)技術(shù)089
4.2.1無監(jiān)督單源域單目標域自適應(yīng)技術(shù)089
4.2.2無監(jiān)督多目標域自適應(yīng)技術(shù)091
4.3領(lǐng)域自適應(yīng)的目標檢測技術(shù)094
4.3.1基于領(lǐng)域漸進策略的目標檢測技術(shù)095
4.3.2基于Faster R-CNN的領(lǐng)域自適應(yīng)目標檢測技術(shù)099
參考文獻104

第5章基于深度學(xué)習(xí)的圖像識別技術(shù)/106
5.1圖像識別模型介紹106
5.2圖像識別模型改進算法109
5.2.1最小加權(quán)隨機搜索算法109
5.2.2E-S判斷方法112
5.2.3構(gòu)建小型卷積神經(jīng)網(wǎng)絡(luò)113
5.2.4改進算法的執(zhí)行過程114
5.3基于改進算法的三種改進模型117
5.4實驗結(jié)果及分析121
5.5融入注意力機制的殘差網(wǎng)絡(luò)面部表情識別方法129
5.5.1注意力機制130
5.5.2殘差網(wǎng)絡(luò)134
5.5.3面部表情識別136
5.5.4融入注意力的殘差網(wǎng)絡(luò)人臉表情識別方法138
5.5.5實現(xiàn)過程145
5.5.6結(jié)論146
參考文獻149

第6章結(jié)論與展望/152
6.1結(jié)論152
6.2發(fā)展趨勢153
6.3目標檢測應(yīng)用面臨的挑戰(zhàn)155
參考文獻158