《領域自適應目標檢測方法與套用》是2019年科學出版社出版的圖書，作者是葉茂、唐宋、李旭冬。
基本介紹
- 書名：領域自適應目標檢測方法與套用
- 作者：葉茂、唐宋、李旭冬
- ISBN：9787030576392
- 頁數：223
- 定價：136.00元
- 出版社：科學出版社
- 出版時間：2019年01月01日
- 裝幀：平脊精裝
- 開本：B5
內容簡介,圖書目錄,
內容簡介
國務院印發的《“十三五”國家科技創新規劃》提出要把圖像智慧型分析作為人工智慧的關鍵技術。圖像智慧型分析的關鍵步驟之一是目標檢測，當把訓練好的目標檢測方法套用於新場景時，由於工作環境的變動，目標檢測效果通常會迅速下降。本書圍繞領域自適應目標檢測方法開展了兩方面的研究：面向監控場景的有監督、無監督目標檢測遷移方法研究和基於記憶預測機制的目標檢測方法研究。本書成果能廣泛套用於智慧型視頻監控、車輛自動駕駛、視覺人機互動等領域。
圖書目錄
目錄
第1章 緒論 1
1.1 背景及意義 1
1.2 目標檢測研究現狀 3
1.2.1 目標檢測方法概述 3
1.2.2 基於分類卷積神經網路的目標檢測方法 6
1.2.3 基於回歸卷積神經網路的目標檢測方法 10
1.3 目標檢測遷移學習研究現狀 13
1.3.1 領域自適應目標分類方法 14
1.3.2 領域自適應目標檢測方法 19
1.4 問題與不足 22
1.5 研究內容及主要貢獻 22
第2章 卷積神經網路及其在車輛檢測中的套用案例 26
2.1 卷積神經網路 26
2.1.1 發展過程 26
2.1.2 基本結構 27
2.1.3 訓練方法 30
2.1.4 研究進展 30
2.1.5 常用模型 32
2.2 基於卷積神經網路的車輛檢測方法 33
2.2.1 引言 33
2.2.2 模型設計 35
2.2.3 實驗分析 37
2.3 本章小結 41
第3章 面向監控場景的車輛檢測器遷移方法 42
3.1 引言 42
3.2 方法概述 44
3.3 遷移車輛檢測器 45
3.3.1 遷移特徵 45
3.3.2 最佳化結構 47
3.3.3 調整網路 48
3.4 實驗分析 50
3.4.1 UIUC 車輛數據集 51
3.4.2 MIT 交通數據集 53
3.4.3 UESTC 道路數據集 56
3.4.4 討論分析 57
3.5 本章小結 59
第4章 面向監控場景的目標檢測器構建方法 60
4.1 引言 60
4.2 方法概述 62
4.3 遷移卷積神經網路 64
4.3.1 預訓練後的卷積神經網路 64
4.3.2 選擇可用卷積核 64
4.4 學習上下文信息 66
4.4.1 上下文卷積神經網路 66
4.4.2 參數訓練過程 69
4.5 估計邊界框 72
4.6 實驗分析 72
4.6.1 實驗數據 72
4.6.2 實驗設定 74
4.6.3 行人檢測 75
4.6.4 參數分析 78
4.6.5 車輛檢測 82
4.7 本章小結 84
第5章 基於分類器回歸遷移方法的行人檢測研究 85
5.1 研究現狀與問題形成 85
5.2 預備知識 87
5.2.1 自編碼器神經網路 87
5.2.2 ESVM 分類器 90
5.2.3 問題定義 91
5.3 源域數據集 91
5.4 分類器回歸模型框架 93
5.4.1 回歸標籤數據的準備 94
5.4.2 基於自編碼器的回歸標籤數據降維 95
5.4.3 基於兩階段回歸網路的映射學習 97
5.5 基於分類器回歸的行人檢測框架 99
5.6 實驗 101
5.6.1 目標套用場景介紹 101
5.6.2 實驗設定 103
5.6.3 在目標場景上的對比實驗 104
5.6.4 分析前端通用檢測器對性能的影響 108
5.6.5 驗證兩階段回歸方案的有效性 109
5.6.6 如何確定回歸標籤數據的降維程度 110
5.7 本章小結 111
第6章 基於自適應分類器調整遷移方法的行人檢測研究 113
6.1 研究現狀與問題形成 113
6.2 預備知識 115
6.2.1 單層感知機的幾何意義 116
6.2.2 問題定義 117
6.3 CNNDAC的算法框架 118
6.4 模型訓練方法 118
6.4.1 CCNN子網路訓練方法 120
6.4.2 MNN子網路訓練方法 123
6.4.3 訓練技巧 124
6.5 檢測流程 125
6.6 實驗 126
6.6.1 實驗設定 126
6.6.2 在目標域套用場景上的對比實驗 129
6.6.3 驗證分類器調整的自適應性 133
6.6.4 驗證CNNDAC中主要技術的有效性 135
6.7 本章小結 136
第7章 基於自適應特徵調控遷移方法的行人檢測研究 137
7.1 研究現狀與問題形成 137
7.2 預備知識 139
7.2.1 卷積計算 140
7.2.2 池化操作 141
7.2.3 卷積神經網路 142
7.3 MCNN的算法框架 147
7.4 模型訓練方法 149
7.4.1 DyNN子網路訓練方法 149
7.4.2 MNN子網路訓練方法 149
7.4.3 檢測流程 152
7.5 實驗 152
7.5.1 實驗設定 152
7.5.2 在目標域套用場景上的檢測結果 153
7.5.3 驗證特徵圖權重預測的自適應性 157
7.5.4 驗證特徵圖權重預測技術的有效性 159
7.6 本書所提三種域自適應目標檢測方法的橫向對比 160
7.7 本章小結 163
第8章 基於記憶預測的目標檢測方法 164
8.1 引言 164
8.2 方法概述 166
8.3 基於記憶預測的分類模型 167
8.3.1 序列生成 167
8.3.2 特徵提取 168
8.3.3 記憶存儲 168
8.3.4 訓練策略 169
8.4 基於記憶預測的回歸模型 170
8.4.1 目標檢測流程 170
8.4.2 回複式卷積神經網路 171
8.5 實驗分析 172
8.5.1 實現細節 172
8.5.2 行人檢測 173
8.5.3 分析討論 177
8.5.4 車輛檢測 180
8.6 本章小結 182
第9章 基於序列學習的行人檢測方法 184
9.1 引言 184
9.2 方法概述 186
9.3 基於記憶預測的序列學習模型 188
9.3.1 序列生成 188
9.3.2 特徵提取 188
9.3.3 次序交換 189
9.3.4 記憶存儲 190
9.3.5 聯合學習 191
9.4 基於序列學習的行人檢測模型 193
9.5 實驗分析 193
9.5.1 實現細節 193
9.5.2 INRIA行人數據集 194
9.5.3 TUD行人數據集 195
9.5.4 分析討論 197
9.6 本章小結 199
第10章 總結與展望 200
10.1 全文總結 200
10.2 工作展望 202
參考文獻 204
索引 224
第1章 緒論 1
1.1 背景及意義 1
1.2 目標檢測研究現狀 3
1.2.1 目標檢測方法概述 3
1.2.2 基於分類卷積神經網路的目標檢測方法 6
1.2.3 基於回歸卷積神經網路的目標檢測方法 10
1.3 目標檢測遷移學習研究現狀 13
1.3.1 領域自適應目標分類方法 14
1.3.2 領域自適應目標檢測方法 19
1.4 問題與不足 22
1.5 研究內容及主要貢獻 22
第2章 卷積神經網路及其在車輛檢測中的套用案例 26
2.1 卷積神經網路 26
2.1.1 發展過程 26
2.1.2 基本結構 27
2.1.3 訓練方法 30
2.1.4 研究進展 30
2.1.5 常用模型 32
2.2 基於卷積神經網路的車輛檢測方法 33
2.2.1 引言 33
2.2.2 模型設計 35
2.2.3 實驗分析 37
2.3 本章小結 41
第3章 面向監控場景的車輛檢測器遷移方法 42
3.1 引言 42
3.2 方法概述 44
3.3 遷移車輛檢測器 45
3.3.1 遷移特徵 45
3.3.2 最佳化結構 47
3.3.3 調整網路 48
3.4 實驗分析 50
3.4.1 UIUC 車輛數據集 51
3.4.2 MIT 交通數據集 53
3.4.3 UESTC 道路數據集 56
3.4.4 討論分析 57
3.5 本章小結 59
第4章 面向監控場景的目標檢測器構建方法 60
4.1 引言 60
4.2 方法概述 62
4.3 遷移卷積神經網路 64
4.3.1 預訓練後的卷積神經網路 64
4.3.2 選擇可用卷積核 64
4.4 學習上下文信息 66
4.4.1 上下文卷積神經網路 66
4.4.2 參數訓練過程 69
4.5 估計邊界框 72
4.6 實驗分析 72
4.6.1 實驗數據 72
4.6.2 實驗設定 74
4.6.3 行人檢測 75
4.6.4 參數分析 78
4.6.5 車輛檢測 82
4.7 本章小結 84
第5章 基於分類器回歸遷移方法的行人檢測研究 85
5.1 研究現狀與問題形成 85
5.2 預備知識 87
5.2.1 自編碼器神經網路 87
5.2.2 ESVM 分類器 90
5.2.3 問題定義 91
5.3 源域數據集 91
5.4 分類器回歸模型框架 93
5.4.1 回歸標籤數據的準備 94
5.4.2 基於自編碼器的回歸標籤數據降維 95
5.4.3 基於兩階段回歸網路的映射學習 97
5.5 基於分類器回歸的行人檢測框架 99
5.6 實驗 101
5.6.1 目標套用場景介紹 101
5.6.2 實驗設定 103
5.6.3 在目標場景上的對比實驗 104
5.6.4 分析前端通用檢測器對性能的影響 108
5.6.5 驗證兩階段回歸方案的有效性 109
5.6.6 如何確定回歸標籤數據的降維程度 110
5.7 本章小結 111
第6章 基於自適應分類器調整遷移方法的行人檢測研究 113
6.1 研究現狀與問題形成 113
6.2 預備知識 115
6.2.1 單層感知機的幾何意義 116
6.2.2 問題定義 117
6.3 CNNDAC的算法框架 118
6.4 模型訓練方法 118
6.4.1 CCNN子網路訓練方法 120
6.4.2 MNN子網路訓練方法 123
6.4.3 訓練技巧 124
6.5 檢測流程 125
6.6 實驗 126
6.6.1 實驗設定 126
6.6.2 在目標域套用場景上的對比實驗 129
6.6.3 驗證分類器調整的自適應性 133
6.6.4 驗證CNNDAC中主要技術的有效性 135
6.7 本章小結 136
第7章 基於自適應特徵調控遷移方法的行人檢測研究 137
7.1 研究現狀與問題形成 137
7.2 預備知識 139
7.2.1 卷積計算 140
7.2.2 池化操作 141
7.2.3 卷積神經網路 142
7.3 MCNN的算法框架 147
7.4 模型訓練方法 149
7.4.1 DyNN子網路訓練方法 149
7.4.2 MNN子網路訓練方法 149
7.4.3 檢測流程 152
7.5 實驗 152
7.5.1 實驗設定 152
7.5.2 在目標域套用場景上的檢測結果 153
7.5.3 驗證特徵圖權重預測的自適應性 157
7.5.4 驗證特徵圖權重預測技術的有效性 159
7.6 本書所提三種域自適應目標檢測方法的橫向對比 160
7.7 本章小結 163
第8章 基於記憶預測的目標檢測方法 164
8.1 引言 164
8.2 方法概述 166
8.3 基於記憶預測的分類模型 167
8.3.1 序列生成 167
8.3.2 特徵提取 168
8.3.3 記憶存儲 168
8.3.4 訓練策略 169
8.4 基於記憶預測的回歸模型 170
8.4.1 目標檢測流程 170
8.4.2 回複式卷積神經網路 171
8.5 實驗分析 172
8.5.1 實現細節 172
8.5.2 行人檢測 173
8.5.3 分析討論 177
8.5.4 車輛檢測 180
8.6 本章小結 182
第9章 基於序列學習的行人檢測方法 184
9.1 引言 184
9.2 方法概述 186
9.3 基於記憶預測的序列學習模型 188
9.3.1 序列生成 188
9.3.2 特徵提取 188
9.3.3 次序交換 189
9.3.4 記憶存儲 190
9.3.5 聯合學習 191
9.4 基於序列學習的行人檢測模型 193
9.5 實驗分析 193
9.5.1 實現細節 193
9.5.2 INRIA行人數據集 194
9.5.3 TUD行人數據集 195
9.5.4 分析討論 197
9.6 本章小結 199
第10章 總結與展望 200
10.1 全文總結 200
10.2 工作展望 202
參考文獻 204
索引 224
