基于深度學習的目標檢測與識別技術

第1章深度學習神經網絡類型/001
1.1深度學習簡介001
1.2主要深度學習網絡原理004
1.2.1堆疊自編碼器005
1.2.2卷積神經網絡006
1.2.3深度信念網絡008
1.2.4遞歸神經網絡009
1.2.5生成對抗網絡011
1.3深度學習實際應用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深度學習面臨挑戰(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章基于深度學習的目標檢測技術/025
2.1目標檢測技術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目標檢測數據集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深度學習目標檢測方法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深度學習目標檢測開源框架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/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065
3.2.5優(yōu)化算法參數選擇067
3.2.6網絡參數調整策略069
3.3實驗結果及分析078
參考文獻078

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

第5章基于深度學習的圖像識別技術/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最小加權隨機搜索算法109
5.2.2E-S判斷方法112
5.2.3構建小型卷積神經網絡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實驗結果及分析121
5.5融入注意力機制的殘差網絡面部表情識別方法129
5.5.1注意力機制130
5.5.2殘差網絡134
5.5.3面部表情識別136
5.5.4融入注意力的殘差網絡人臉表情識別方法138
5.5.5實現過程145
5.5.6結論146
參考文獻149

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