類腦智能目標檢測原理及應(yīng)用

第1章 目標檢測技術(shù)及其發(fā)展
1.1 數(shù)字圖像處理與深度學習   2
1.1.1 數(shù)字圖像處理的基礎(chǔ)知識2
1.1.2 深度學習的基礎(chǔ)知識4
1.2 目標檢測技術(shù)及其評價指標   17
1.2.1 什么是目標檢測技術(shù)17
1.2.2 目標檢測的評價指標18
1.3 目標檢測的研究進展   20
1.3.1 傳統(tǒng)視覺目標檢測的研究進展20
1.3.2 基于深度學習的視覺目標檢測研究進展22
1.3.3 總結(jié)與展望32
1.4 目標檢測技術(shù)的難點   34
1.5 AI對抗攻擊的內(nèi)涵與研究狀況   36
1.5.1 AI對抗攻擊的內(nèi)涵37
1.5.2 AI對抗攻擊的研究狀況38

第2章 大腦視覺皮層的機理分析
2.1 視覺系統(tǒng)的運行流程   44
2.2 眼球-視網(wǎng)膜-視神經(jīng)工作機制   45
2.3 視覺皮層的工作機制   49
2.4 受視覺皮層啟發(fā)的目標檢測研究現(xiàn)狀及思考   61

第3章 類腦智能目標檢測網(wǎng)絡(luò)的構(gòu)建與優(yōu)化
3.1 構(gòu)建的總體思路   68
3.2 仿V1視覺皮層模塊   71
3.3 視覺注意力模塊   74
3.4 類腦智能目標檢測深度網(wǎng)絡(luò)框架   76
3.5 目標檢測的網(wǎng)絡(luò)模型壓縮提速   84
3.5.1 模型剪枝技術(shù)84
3.5.2 模型量化技術(shù)87

第4章 類腦智能目標檢測網(wǎng)絡(luò)的性能評價
4.1 在公開數(shù)據(jù)集COCO 2017上目標識別性能評估   90
4.1.1 COCO數(shù)據(jù)集簡介90
4.1.2 模型訓(xùn)練過程91
4.1.3 性能對比分析95
4.2 在自建數(shù)據(jù)集上性能評估   97
4.3 存在AI對抗攻擊時的目標檢測效能   99
4.3.1 AI對抗攻擊圖案99
4.3.2 AI對抗攻擊下的目標檢測效果分析100

第5章 在無人駕駛車輛上的應(yīng)用驗證
5.1 無人駕駛車輛的發(fā)展與分析   106
5.1.1 無人駕駛車輛的發(fā)展106
5.1.2 無人駕駛車輛在視覺感知方面的瓶頸117
5.2 面向復(fù)雜城市環(huán)境的數(shù)據(jù)集構(gòu)建   120
5.2.1 數(shù)據(jù)集概述120
5.2.2 數(shù)據(jù)集詳細情況122
5.3 面向干擾環(huán)境無人車交通標志識別   130
5.3.1 應(yīng)用驗證系統(tǒng)簡介130
5.3.2 應(yīng)用驗證場景介紹134
5.3.3 應(yīng)用驗證效果及對比分析137
5.4 基于視覺目標檢測的車臂協(xié)同開門   144
5.4.1 應(yīng)用驗證系統(tǒng)簡介144
5.4.2 系統(tǒng)驗證場景介紹及驗證效果對比分析151

第6章 類腦目標檢測系統(tǒng)的綜合評價
6.1 構(gòu)建綜合評價模型的總體思路   156
6.2 綜合評價的具體實現(xiàn)過程   158
6.3 指標評測方法與流程   165

總結(jié)與展望   168

參考文獻   169