基於深度學習的目標檢測與識別技術

《基於深度學習的目標檢測與識別技術》是2021年化學工業出版社出版的圖書。

基本介紹

• 中文名：基於深度學習的目標檢測與識別技術
• 作者：譚志 著
• 出版時間：2021年
• 出版社：化學工業出版社
• ISBN：9787122393678

內容簡介

本書從深度學習的發展歷程開始，系統介紹了基於深度學習的目標檢測的基本問題及其相關處理方法與技術，主要內容涉及兩階段和單階段目標檢測的理論、算法和研究成果。本書共6章，包括深度學習神經網路類型、目標檢測技術、基於Faster R-CNN的目標檢測改進算法、領域自適應及其在目標檢測技術上的典型套用、圖像識別模型改進及面部表情識別、結論與展望等內容。 本書主要面向人工智慧、自動化、電子信息、計算機等專業高年級本科生以及控制科學與工程、信息與通信工程、計算機科學與技術等學科研究生，幫助讀者了解目標檢測技術的發展過程、基本知識與原理，同時也可供高校相關專業教師、科研人員和工程技術人員閱讀參考。

目錄

第1章深度學習神經網路類型/001

1.1深度學習簡介001

1.2主要深度學習網路原理004

1.2.1堆疊自編碼器005

1.2.2卷積神經網路006

1.2.3深度信念網路008

1.2.4遞歸神經網路009

1.2.5生成對抗網路011

1.3深度學習實際套用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018

1.4.1理論挑戰018

1.4.2工程挑戰020

參考文獻021

第2章基於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傳統目標檢測方法031

2.2.2深度學習目標檢測方法033

2.3基於區域的兩階段檢測器035

2.3.1R-CNN035

2.3.2SPPNet037

2.3.3Fast R-CNN038

2.3.4Faster R-CNN039

2.3.5FPN042

2.4基於區域的單階段檢測器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章基於Faster R-CNN的目標檢測技術/055

3.1Faster R-CNN算法056

3.2基於Faster R-CNN的目標檢測改進算法060

3.2.1特徵提取層最佳化060

3.2.2候選區域生成改進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最佳化算法參數選擇067

3.2.6網路參數調整策略069

3.3實驗結果及分析078

參考文獻078

第4章基於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無監督單源域單目標域自適應技術089

4.2.2無監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基於領域漸進策略的目標檢測技術095

4.3.2基於Faster R-CNN的領域自適應目標檢測技術099

參考文獻104

第5章基於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最小加權隨機搜尋算法109

5.2.2E-S判斷方法112

5.2.3構建小型卷積神經網路113

5.2.4改進算法的執行過程114

5.3基於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路面部表情識別方法129

5.5.1注意力機制130

5.5.2殘差網路134

5.5.3面部表情識別136

5.5.4融入注意力的殘差網路人臉表情識別方法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發展趨勢153

6.3目標檢測套用面臨的挑戰155

參考文獻158