深度學習與目標檢測（第2版）

《深度學習與目標檢測（第2版）》是電子工業出版社出版圖書，作者是杜鵬 等

從概念到套用剖析基於深度學習的目標檢測，涵蓋醫療、交通、無人駕駛領域的工程實踐

基本介紹

• 中文名：深度學習與目標檢測（第2版）
• 作者：杜鵬 等
• 出版社：電子工業出版社
• 出版時間：2022年12月
• 頁數：288 頁
• 定價：118 元
• 開本：16 開
• ISBN：9787121444425

內容簡介

注重深度學習目標檢測領域從概念到實例的過渡，概念講解與實例對應，實例包含醫學影像識別、車輛識別等多個領域

圖書目錄

基 礎 篇

第1章　深度學習概述 2

1.1　深度學習發展簡史 2

1.2　有監督學習 4

1.2.1　圖像分類 4

1.2.2　目標檢測 6

1.2.3　人臉識別 10

1.2.4　語音識別 13

1.3　無監督學習 17

1.3.1　無監督學習概述 18

1.3.2　雙向生成對抗網路 18

1.4　強化學習 21

1.4.1　AlphaGo 22

1.4.2　AlphaGo Zero 24

1.5　小結 25

參考資料 25

第2章　深度神經網路 28

2.1　神經元 28

2.2　感知機 31

2.3　前向傳遞 32

2.3.1　前向傳遞的流程 33

2.3.2　激活函式 34

2.3.3　損失函式 38

2.4　後向傳遞 41

2.4.1　後向傳遞的流程 41

2.4.2　梯度下降 41

2.4.3　參數修正 43

2.5　防止過擬合 45

2.5.1　dropout 46

2.5.2　正則化 46

2.6　小結 47

第3章　卷積神經網路 48

3.1　卷積層 49

3.1.1　valid卷積 49

3.1.2　full卷積 51

3.1.3　same卷積 52

3.2　池化層 53

3.3　反卷積 54

3.4　感受野 56

3.5　卷積神經網路實例 57

3.5.1　LeNet-5 58

3.5.2　AlexNet 60

3.5.3　VGGNet 63

3.5.4　GoogLeNet 66

3.5.5　ResNet 76

3.5.6　MobileNet 77

3.6　小結 79

進 階 篇

第4章　兩階段目標檢測方法 82

4.1　R-CNN 82

4.1.1　算法流程 82

4.1.2　訓練過程 83

4.2　SPP-Net 87

4.2.1　網路結構 87

4.2.2　空間金字塔池化 88

4.3　Fast R-CNN 89

4.3.1　感興趣區域池化層 90

4.3.2　網路結構 91

4.3.3　全連線層計算加速 92

4.3.4　目標分類 93

4.3.5　邊界框回歸 94

4.3.6　訓練過程 95

4.4　Faster R-CNN 99

4.4.1　網路結構 100

4.4.2　RPN 101

4.4.3　訓練過程 107

4.5　R-FCN 109

4.5.1　R-FCN網路結構 110

4.5.2　位置敏感的分數圖 111

4.5.3　位置敏感的RoI池化 111

4.5.4　R-FCN損失函式 113

4.5.5　Caffe網路模型解析 113

4.5.6　U-Net 117

4.5.7　SegNet 118

4.6　Mask R-CNN 119

4.6.1　實例分割簡介 119

4.6.2　COCO數據集的像素級標註 121

4.6.3　網路結構 121

4.7　小結 125

參考資料 125

第5章　單階段目標檢測方法 126

5.1　SSD 126

5.1.1　default box 126

5.1.2　網路結構 127

5.1.3　Caffe網路模型解析 128

5.1.4　訓練過程 137

5.2　RetinaNet 138

5.2.1　FPN 139

5.2.2　聚焦損失函式 140

5.3　RefineDet 142

5.3.1　網路模型 142

5.3.2　Caffe網路模型解析 144

5.3.3　訓練過程 153

5.4　YOLO 154

5.4.1　YOLO v1 154

5.4.2　YOLO v2 157

5.4.3　YOLO v3 159

5.5　目標檢測算法套用場景舉例 161

5.5.1　高速公路坑洞檢測 161

5.5.2　息肉檢測 162

5.6　小結 163

參考資料 164

應 用 篇

第6章　肋骨骨折檢測 166

6.1　國內外研究現狀 166

6.2　解決方案 168

6.3　預處理 168

6.4　肋骨骨折檢測 169

6.5　實驗結果分析 170

6.6　小結 172

參考資料 172

第7章　肺結節檢測 174

7.1　國內外研究現狀 174

7.2　總體框架 176

7.2.1　肺結節數據集 176

7.2.2　肺結節檢測難點 177

7.2.3　算法框架 177

7.3　肺結節可疑位置推薦算法 178

7.3.1　CT圖像的預處理 179

7.3.2　肺結節分割算法 180

7.3.3　最佳化方法 182

7.3.4　推斷方法 184

7.4　可疑肺結節定位算法 185

7.5　實驗結果與分析（1） 186

7.5.1　實驗結果 186

7.5.2　改進點效果分析 186

7.6　假陽性肺結節抑制算法 188

7.6.1　假陽性肺結節抑制網路 188

7.6.2　最佳化策略 192

7.6.3　推斷策略 194

7.7　實驗結果與分析（2） 194

7.7.1　實驗結果 194

7.7.2　改進點效果分析 195

7.7.3　可疑位置推薦算法與假陽性抑制算法的整合 196

7.8　小結 197

參考資料 197

第8章　車道線檢測 199

8.1　國內外研究現狀 199

8.2　主要研究內容 201

8.2.1　總體解決方案 201

8.2.2　各階段概述 202

8.3　車道線檢測系統的設計與實現 205

8.3.1　車道線圖像數據標註與篩選 206

8.3.2　車道線圖片預處理 207

8.3.3　車道線分割模型訓練 211

8.3.4　車道線檢測 220

8.3.5　車道線檢測結果 224

8.4　車道線檢測系統性能測試 224

8.4.1　車道線檢測質量測試 224

8.4.2　車道線檢測時間測試 226

8.5　小結 226

參考資料 227

第9章　交通視頻分析 228

9.1　國內外研究現狀 229

9.2　主要研究內容 230

9.2.1　總體設計 231

9.2.2　精度和性能要求 231

9.3　交通視頻分析 232

9.3.1　車輛檢測和車牌檢測 232

9.3.2　車牌識別功能設計詳解 234

9.3.3　車輛品牌及顏色的識別 242

9.3.4　目標跟蹤設計詳解 243

9.4　系統測試 246

9.4.1　車輛檢測 247

9.4.2　車牌檢測 250

9.4.3　車牌識別 252

9.4.4　車輛品牌識別 255

9.4.5　目標跟蹤 257

9.5　小結 258

參考資料 258

第10章　道路坑洞檢測 260

10.1　系統流程 260

10.2　道路坑洞圖像生成 262

10.2.1　坑洞生成網路 262

10.2.2　遮罩生成方法 263

10.2.3　圖像融合 264

10.2.4　基於增廣訓練集的目標檢測 265

10.3　實驗與分析 266

10.3.1　影響因素 267

10.3.2　數據增廣方法對比 268

10.3.3　邊緣提取方法對比 270

10.3.4　圖像融合方法對比 271

10.3.5　目標檢測 273

10.4　小結 274

參考資料 274

作者簡介

杜鵬，博士，華為昇騰AI技術專家，主要研究方向為異構計算、計算機圖形學、人工智慧等，曾在韓國科學技術院、新加坡南洋理工大學、杭州電子科技大學從事科研與教學工作，在SIGGRAPH、 CVPR、ICCV等國際著名會議發表論文十餘篇。

蘇統華，博士， 哈爾濱工業大學副教授、軟體學院副院長，主要研究領域包括大規模模式識別與手寫漢字識別、深度學習方法與GPU計算等。作為自然手寫體中文文本識別的開拓者，建立領域內首款手寫中文庫（HIT-MW庫）。該庫為國內外約200家科研院所採用，獲得兩個國際手寫漢字識別競賽第一名。

王波，主要從事位姿估計、圖像分割／生成等計算機視覺算法研究與套用，研究成果發表在CVPR、AAAI等國際著名學術會議上。

諶明，博士，2004年加入美國道富集團， 2011年加入浙江核新同花順網路信息股份有限公司並任首席技術官，推動了包括計算機視覺、語音技術、自然語言處理、機器學習等在金融、醫療等領域的商業化落地。