基于深度學(xué)習(xí)的目標(biāo)檢測(cè)與識(shí)別技術(shù)

第1章深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)類型/001
1.1深度學(xué)習(xí)簡(jiǎn)介001
1.2主要深度學(xué)習(xí)網(wǎng)絡(luò)原理004
1.2.1堆疊自編碼器005
1.2.2卷積神經(jīng)網(wǎng)絡(luò)006
1.2.3深度信念網(wǎng)絡(luò)008
1.2.4遞歸神經(jīng)網(wǎng)絡(luò)009
1.2.5生成對(duì)抗網(wǎng)絡(luò)011
1.3深度學(xué)習(xí)實(shí)際應(yīng)用014
1.3.1目標(biāo)檢測(cè)與識(shí)別014
1.3.2語(yǔ)音識(shí)別016
1.3.3文本識(shí)別017
1.4深度學(xué)習(xí)面臨挑戰(zhàn)018
1.4.1理論挑戰(zhàn)018
1.4.2工程挑戰(zhàn)020
參考文獻(xiàn)021

第2章基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)/025
2.1目標(biāo)檢測(cè)技術(shù)025
2.1.1目標(biāo)檢測(cè)概念025
2.1.2目標(biāo)檢測(cè)評(píng)價(jià)指標(biāo)027
2.1.3目標(biāo)檢測(cè)數(shù)據(jù)集029
2.2目標(biāo)檢測(cè)方法030
2.2.1傳統(tǒng)目標(biāo)檢測(cè)方法031
2.2.2深度學(xué)習(xí)目標(biāo)檢測(cè)方法033
2.3基于區(qū)域的兩階段檢測(cè)器035
2.3.1R-CNN035
2.3.2SPPNet037
2.3.3Fast R-CNN038
2.3.4Faster R-CNN039
2.3.5FPN042
2.4基于區(qū)域的單階段檢測(cè)器042
2.4.1YOLO檢測(cè)器042
2.4.2其他檢測(cè)器048
2.5深度學(xué)習(xí)目標(biāo)檢測(cè)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(xiàn)053

第3章基于Faster R-CNN的目標(biāo)檢測(cè)技術(shù)/055
3.1Faster R-CNN算法056
3.2基于Faster R-CNN的目標(biāo)檢測(cè)改進(jìn)算法060
3.2.1特征提取層優(yōu)化060
3.2.2候選區(qū)域生成改進(jìn)063
3.2.3雙線性插值的ROI歸一化064
3.2.4確定超參數(shù)065
3.2.5優(yōu)化算法參數(shù)選擇067
3.2.6網(wǎng)絡(luò)參數(shù)調(diào)整策略069
3.3實(shí)驗(yàn)結(jié)果及分析078
參考文獻(xiàn)078

第4章基于領(lǐng)域自適應(yīng)的目標(biāo)檢測(cè)技術(shù)/079
4.1領(lǐng)域自適應(yīng)概述079
4.1.1領(lǐng)域自適應(yīng)與領(lǐng)域泛化080
4.1.2相關(guān)概念數(shù)學(xué)描述083
4.1.3深度領(lǐng)域自適應(yīng)方法分類085
4.1.4領(lǐng)域自適應(yīng)的不同形式087
4.2領(lǐng)域自適應(yīng)技術(shù)089
4.2.1無(wú)監(jiān)督單源域單目標(biāo)域自適應(yīng)技術(shù)089
4.2.2無(wú)監(jiān)督多目標(biāo)域自適應(yīng)技術(shù)091
4.3領(lǐng)域自適應(yīng)的目標(biāo)檢測(cè)技術(shù)094
4.3.1基于領(lǐng)域漸進(jìn)策略的目標(biāo)檢測(cè)技術(shù)095
4.3.2基于Faster R-CNN的領(lǐng)域自適應(yīng)目標(biāo)檢測(cè)技術(shù)099
參考文獻(xiàn)104

第5章基于深度學(xué)習(xí)的圖像識(shí)別技術(shù)/106
5.1圖像識(shí)別模型介紹106
5.2圖像識(shí)別模型改進(jìn)算法109
5.2.1最小加權(quán)隨機(jī)搜索算法109
5.2.2E-S判斷方法112
5.2.3構(gòu)建小型卷積神經(jīng)網(wǎng)絡(luò)113
5.2.4改進(jìn)算法的執(zhí)行過(guò)程114
5.3基于改進(jìn)算法的三種改進(jìn)模型117
5.4實(shí)驗(yàn)結(jié)果及分析121
5.5融入注意力機(jī)制的殘差網(wǎng)絡(luò)面部表情識(shí)別方法129
5.5.1注意力機(jī)制130
5.5.2殘差網(wǎng)絡(luò)134
5.5.3面部表情識(shí)別136
5.5.4融入注意力的殘差網(wǎng)絡(luò)人臉表情識(shí)別方法138
5.5.5實(shí)現(xiàn)過(guò)程145
5.5.6結(jié)論146
參考文獻(xiàn)149

第6章結(jié)論與展望/152
6.1結(jié)論152
6.2發(fā)展趨勢(shì)153
6.3目標(biāo)檢測(cè)應(yīng)用面臨的挑戰(zhàn)155
參考文獻(xiàn)158