深度學(xué)習(xí)圖像搜索與識(shí)別

1 概述 1
1．1 圖像搜索與識(shí)別概述 1
1．2 圖像搜索與識(shí)別技術(shù)的發(fā)展和應(yīng)用 3
1．3 深度學(xué)習(xí)與圖像搜索和識(shí)別 4
1．4 本書結(jié)構(gòu) 6
2 深度卷積神經(jīng)網(wǎng)絡(luò) 8
2．1 概述 8
2．1．1 深度學(xué)習(xí)背景 8
2．1．2 深度卷積神經(jīng)網(wǎng)絡(luò) 9
2．2 CNN基礎(chǔ)操作 11
2．2．1 卷積操作 11
2．2．2 池化操作 12
2．2．3 全連接層 13
2．2．4 激活層 14
2．2．5 批歸一化層 14
2．2．6 小結(jié) 16
2．3 常見的CNN模型結(jié)構(gòu) 16
2．3．1 網(wǎng)絡(luò)結(jié)構(gòu)超參數(shù) 17
2．3．2 單分支網(wǎng)絡(luò)結(jié)構(gòu) 19
2．3．3 多分支網(wǎng)絡(luò)結(jié)構(gòu) 24
2．3．4 小結(jié) 38
2．4 常見目標(biāo)損失函數(shù) 38
2．5 本章總結(jié) 40
2．6 參考資料 40
3 圖像分類 43
3．1 概述 43
3．2 單標(biāo)記分類 44
3．2．1 常用數(shù)據(jù)集及評(píng)價(jià)指標(biāo) 44
3．2．2 損失函數(shù) 45
3．2．3 提升分類精度的實(shí)用技巧 47
3．2．4 基于搜索的圖像分類 50
3．3 細(xì)粒度圖像分類 51
3．3．1 概述 51
3．3．2 基于部件對(duì)齊的細(xì)粒度分類方法 52
3．3．3 基于高階特征池化的細(xì)粒度分類方法 55
3．3．4 小結(jié) 56
3．4 多標(biāo)記圖像分類 56
3．4．1 概述 56
3．4．2 baseline：一階方法 58
3．4．3 標(biāo)記關(guān)系建模 59
3．4．4 小結(jié) 60
3．5 代碼實(shí)踐 61
3．6 本章總結(jié) 63
3．7 參考資料 63
4 目標(biāo)檢測(cè) 66
4．1 概述 66
4．2 兩階段目標(biāo)檢測(cè)算法 68
4．2．1 候選框生成 69
4．2．2 特征抽取 71
4．2．3 訓(xùn)練策略 73
4．2．4 小結(jié) 76
4．3 單階段目標(biāo)檢測(cè)算法 76
4．3．1 YOLO算法 76
4．3．2 SSD算法 78
4．3．3 RetinaNet算法 81
4．3．4 無(wú)錨點(diǎn)框檢測(cè)算法 83
4．3．5 小結(jié) 87
4．4 代碼實(shí)踐 88
4．5 本章總結(jié) 91
4．6 參考資料 92
5 圖像分割 95
5．1 概述 95
5．2 語(yǔ)義分割 96
5．2．1 概述 96
5．2．2 全卷積神經(jīng)網(wǎng)絡(luò) 97
5．2．3 空洞卷積 99
5．2．4 U-Net結(jié)構(gòu) 100
5．2．5 條件隨機(jī)場(chǎng)關(guān)系建模 101
5．2．6 Look Wider to See Better 103
5．2．7 Atrous Spatial Pyramid Pooling算法 104
5．2．8 Context Encoding for Semantic Segmentation 104
5．2．9 多卡同步批歸一化 107
5．2．10 小結(jié) 107
5．3 實(shí)例分割 108
5．3．1 概述 108
5．3．2 FCIS 109
5．3．3 Mask R-CNN 111
5．3．4 Hybrid Task Cascade框架 113
5．3．5 小結(jié) 115
5．4 代碼實(shí)踐 115
5．5 本章總結(jié) 120
5．6 參考資料 120
6 特征學(xué)習(xí) 124
6．1 概述 124
6．2 基于分類識(shí)別的特征訓(xùn)練 126
6．2．1 Sigmoid函數(shù) 127
6．2．2 Softmax函數(shù) 128
6．2．3 Weighted Softmax函數(shù) 129
6．2．4 Large-Margin Softmax函數(shù) 130
6．2．5 ArcFace函數(shù) 132
6．2．6 小結(jié) 133
6．3 基于度量學(xué)習(xí)的特征訓(xùn)練 134
6．3．1 Contrastive損失函數(shù) 135
6．3．2 Triplet損失函數(shù) 137
6．3．3 三元組損失函數(shù)在行人再識(shí)別中的應(yīng)用 139
6．3．4 Quadruplet損失函數(shù) 140
6．3．5 Listwise Learning 141
6．3．6 組合損失函數(shù) 142
6．3．7 小結(jié) 142
6．4 代碼實(shí)踐 143
6．5 本章總結(jié) 143
6．6 參考資料 144
7 向量檢索 147
7．1 概述 147
7．2 局部敏感哈希算法 149
7．2．1 預(yù)處理 150
7．2．2 搜索 151
7．2．3 小結(jié) 152
7．3 乘積量化系列算法 152
7．3．1 PQ算法 153
7．3．2 IVFPQ算法 155
7．3．3 OPQ算法 156
7．3．4 小結(jié) 157
7．4 圖搜索算法 157
7．4．1 NSW算法 158
7．4．2 Kgraph算法 161
7．4．3 HNSW算法 163
7．4．4 圖搜索算法實(shí)驗(yàn)對(duì)比 165
7．4．5 小結(jié) 165
7．5 代碼實(shí)踐 166
7．6 本章總結(jié) 167
7．7 參考資料 168
8 圖文理解 171
8．1 概述 171
8．2 圖文識(shí)別 172
8．2．1 概述 172
8．2．2 數(shù)據(jù)集和評(píng)測(cè)標(biāo)準(zhǔn) 174
8．2．3 特征融合方法 176
8．2．4 小結(jié) 182
8．3 圖文搜索 182
8．3．1 概述 182
8．3．2 數(shù)據(jù)集和評(píng)測(cè)標(biāo)準(zhǔn) 184
8．3．3 Dual Attention Networks 185
8．3．4 Bottom-Up Attention 187
8．3．5 圖文搜索的損失函數(shù) 189
8．3．6 小結(jié) 190
8．4 代碼實(shí)踐 191
8．5 本章總結(jié) 194
8．6 參考資料 194
9 阿里巴巴圖像搜索識(shí)別系統(tǒng) 197
9．1 概述 197
9．2 背景介紹 198
9．3 圖像搜索架構(gòu) 200
9．3．1 類目預(yù)測(cè)模塊 200
9．3．2 目標(biāo)檢測(cè)和特征聯(lián)合學(xué)習(xí) 201
9．3．3 圖像索引和檢索 205
9．4 實(shí)驗(yàn)和結(jié)果分析 207
9．5 本章總結(jié) 210
9．6 參考資料 211