計算機視覺中的深度學習

目 錄
第1章 計算機視覺及其任務\t1
1．1 計算機視覺的定義\t1
1．2 計算機視覺的發(fā)展沿革\t1
1．3 計算機視覺的主要任務及其應用\t2
1．3．1 圖像恢復\t2
1．3．2 圖像識別\t3
1．3．3 動作分析\t4
1．3．4 場景重建\t5
1．3．5 行人再識別\t6
1．4 本章小結\t7
本章參考文獻\t7
第2章 手工特征\t8
2．1 初級圖像特征\t8
2．1．1 顏色特征\t8
2．1．2 紋理特征\t11
2．1．3 形狀特征\t12
2．2 中級圖像特征\t13
2．2．1 Haar-like特征\t14
2．2．2 SIFT特征\t16
2．2．3 SURF特征\t19
2．3 本章小結\t21
本章參考文獻\t21
第3章 神經(jīng)網(wǎng)絡基礎理論\t23
3．1 神經(jīng)元概述\t23
3．1．1 感知器\t23
3．1．2 激活函數(shù)\t24
3．1．3 神經(jīng)元模型\t28
3．2 神經(jīng)網(wǎng)絡基礎結構\t28
3．2．1 兩層神經(jīng)網(wǎng)絡模型\t28
3．2．2 前饋神經(jīng)網(wǎng)絡和循環(huán)神經(jīng)網(wǎng)絡\t29
3．2．3 神經(jīng)網(wǎng)絡中的參數(shù)\t30
3．3 神經(jīng)網(wǎng)絡訓練\t31
3．3．1 權重初始化\t31
3．3．2 偏置初始化\t32
3．3．3 前向傳播\t32
3．3．4 損失函數(shù)\t32
3．3．5 反向傳播\t33
3．3．6 參數(shù)更新\t35
3．3．7 批歸一化\t37
3．3．8 正則化\t38
3．4 常見的神經(jīng)元模型\t40
3．4．1 空間信息處理單元\t40
3．4．2 時間信息處理單元\t41
3．5 本章小結\t43
本章參考文獻\t44
第4章 神經(jīng)網(wǎng)絡結構\t46
4．1 LENET5\t46
4．2 ALEXNET\t48
4．3 VGGNET\t50
4．4 INCEPTION\t53
4．5 RESNET\t55
4．6 DENSENET\t57
4．7 MOBILENET\t60
4．8 FCN\t63
4．9 本章小結\t71
本章參考文獻\t71
第5章 目標分割\t73
5．1 目標分割技術概述\t73
5．1．1 目標分割技術基本理論與模型\t73
5．1．2 目標分割技術概述\t74
5．1．3 評價標準\t77
5．2 基于深度學習多路徑特征融合的圖像語義分割\t79
5．2．1 特點\t79
5．2．2 基于VGGNet的多路徑特征融合算法\t80
5．2．3 基于ResNet的多路徑特征融合算法\t85
5．3 基于模糊邏輯的多特征視頻運動目標分割\t88
5．3．1 特點\t88
5．3．2 算法\t88
5．3．3 實驗\t96
5．4 目標分割未來趨勢\t98
本章參考文獻\t99
第6章 目標檢測\t102
6．1 目標檢測算法概述\t102
6．1．1 算法概述\t102
6．1．2 評價指標\t104
6．2 傳統(tǒng)目標檢測方法\t106
6．2．1 區(qū)域選擇算法\t106
6．2．2 典型人工圖像特征\t106
6．2．3 分類器類型及訓練\t106
6．3 基于候選區(qū)域的目標檢測方法\t110
6．3．1 R-CNN的實現(xiàn)\t110
6．3．2 SPP-net的實現(xiàn)\t111
6．3．3 Fast R-CNN的實現(xiàn)\t112
6．3．4 Faster R-CNN的實現(xiàn)\t113
6．4 基于回歸的目標檢測\t115
6．4．1 YOLO的實現(xiàn)\t115
6．4．2 SSD的實現(xiàn)\t117
6．4．3 YOLOv2的改進\t119
6．5 改進算法拾萃\t122
6．5．1 困難樣本挖掘\t122
6．5．2 YOLOv2損失函數(shù)\t123
6．5．3 基于上下文信息的SSD改進\t124
6．5．4 多特征多尺度融合\t126
6．6 目標檢測未來趨勢\t129
本章參考文獻\t130
第7章 目標跟蹤\t132
7．1 目標跟蹤技術概述\t132
7．1．1 目標跟蹤算法基本理論與模型\t132
7．1．2 目標跟蹤算法概述\t133
7．1．3 評價標準\t135
7．2 平衡正負樣本權重的多示例學習跟蹤算法\t136
7．2．1 MIL跟蹤算法\t136
7．2．2 平衡正負樣本權重\t138
7．3 基于核化相關濾波器的視覺目標跟蹤算法研究與改進\t143
7．3．1 基于相關濾波器的目標跟蹤算法\t143
7．3．2 自適應模板更新的目標跟蹤算法\t150
7．3．3 CNN和相關濾波結合的跟蹤算法\t158
7．4 基于中心對比CNN的目標跟蹤算法研究\t169
7．4．1 逐任務驅動的CNN目標跟蹤算法\t169
7．4．2 中心對比CNN目標跟蹤算法\t170
7．4．3 小運動優(yōu)先的視覺目標跟蹤算法\t175
7．5 目標跟蹤未來趨勢\t180
本章參考文獻\t180
第8章 行人再識別\t183
8．1 行人再識別技術概述\t183
8．1．1 行人再識別技術基本理論與模型\t183
8．1．2 行人再識別技術簡介\t184
8．1．3 評價標準\t186
8．2 基于ADARANK進行特征集成的行人再識別算法\t188
8．2．1 算法特點\t188
8．2．2 算法細節(jié)\t188
8．2．3 實驗結果\t200
8．3 基于增強深度特征的行人再識別算法\t206
8．3．1 算法特點\t206
8．3．2 引入注意力機制的網(wǎng)絡模型\t207
8．3．3 引入手工特征：LOMO特征融合到多級注意力識別―驗證網(wǎng)絡\t215
8．4 基于屬性和身份特征融合的行人再識別算法\t221
8．4．1 特點\t221
8．4．2 算法\t222
8．4．3 實驗\t230
8．5 行人再識別未來趨勢\t236
本章參考文獻\t237
第9章 圖像壓縮\t242
9．1 有損壓縮和無損壓縮\t242
9．1．1 無損壓縮\t242
9．1．2 有損壓縮\t243
9．2 經(jīng)典的有損圖像壓縮方法\t243
9．2．1 JPEG\t243
9．2．2 JPEG 2000\t243
9．2．3 BPG\t244
9．3 基于深度學習的圖像壓縮技術\t244
9．4 基于空間能量壓縮的圖像壓縮\t244
9．4．1 算法特點\t244
9．4．2 算法細節(jié)\t245
9．4．3 實驗結果\t249
9．5 利用卷積神經(jīng)網(wǎng)絡進行內容加權的圖像壓縮\t249
9．5．1 算法特點\t249
9．5．2 算法細節(jié)\t250
9．5．3 實驗結果\t254
9．6 基于生成式對抗網(wǎng)絡的圖像壓縮\t255
9．6．1 算法特點\t255
9．6．2 算法細節(jié)\t255
9．6．3 實驗結果\t257
9．7 圖像壓縮未來趨勢\t257
本章參考文獻\t258
第10章 超分辨率重建\t259
10．1 超分辨率技術概述\t259
10．1．1 超分辨率技術的基本理論與模型\t259
10．1．2 超分辨率技術概述\t261
10．2 基于深度殘差網(wǎng)絡注意力機制的圖像超分辨率重建\t263
10．2．1 存在的問題\t263
10．2．2 提出的解決方案\t264
10．2．3 具體實現(xiàn)細節(jié)\t264
10．2．4 實驗結果比較分析\t267
10．3 基于增強的可變形卷積網(wǎng)絡的視頻超分辨率\t271
10．3．1 視頻超分辨率\t271
10．3．2 存在的問題\t272
10．3．3 針對存在的問題提出的解決方案\t272
10．3．4 具體實現(xiàn)\t274
10．3．5 實驗對比\t277
10．4 真實原始傳感器數(shù)據(jù)的超分辨率重建\t278
10．4．1 存在的問題\t278
10．4．2 針對問題提出的解決方案\t279
10．4．3 具體實現(xiàn)細節(jié)\t279
10．4．4 實驗對比\t281
10．5 超分辨率重建未來趨勢\t283
本章參考文獻\t284
第11章 圖像去噪技術\t287
11．1 圖像去噪技術概述\t287
11．1．1 圖像去噪基本理論與模型\t287
11．1．2 圖像去噪算法\t287
11．1．3 評價標準\t292
11．2 去噪卷積神經(jīng)網(wǎng)絡\t293
11．2．1 算法特點\t293
11．2．2 存在問題\t294
11．2．3 算法細節(jié)\t294
11．2．4 實驗結果\t295
11．3 盲去噪卷積神經(jīng)網(wǎng)絡\t299
11．3．1 算法特點\t299
11．3．2 存在問題\t299
11．3．3 算法細節(jié)\t299
11．3．4 實驗\t302
11．4 真實圖像去噪神經(jīng)網(wǎng)絡\t307
11．4．1 特點\t307
11．4．2 存在問題\t307
11．4．3 算法細節(jié)\t307
11．4．4 實驗\t310
11．4．5 總結\t312
11．5 圖像去噪未來趨勢\t312
本章參考文獻\t312
附錄A 術語與縮略詞表\t313