視頻智能分析與理解

第1章深度學(xué)習(xí)基礎(chǔ)知識(shí)
1.1深度學(xué)習(xí)的發(fā)展歷程
1.2卷積神經(jīng)網(wǎng)絡(luò)
1.2.1卷積層
1.2.2池化層
1.2.3全連接層
1.2.4激活函數(shù)
1.2.5損失函數(shù)
1.2.6Dropout
1.2.7數(shù)據(jù)預(yù)處理
1.2.8批歸一化
1.2.9優(yōu)化方法
1.3代表性網(wǎng)絡(luò)架構(gòu)
1.3.1LeNet
1.3.2AlexNet
1.3.3GoogLeNet
1.3.4VGGNet
1.3.5ResNet
1.3.6DenseNet
1.3.7LSTM
1.3.8GAN
1.4深度學(xué)習(xí)框架
1.4.1Caffe
1.4.2PyTorch
1.4.3TensorFlow
1.4.4Theano
1.4.5MXNet
1.4.6PaddlePaddle
1.4.7MindSpore
1.4.8之江天樞人工智能開源平臺(tái)
第2章超分辨重建技術(shù)
2.1引言
2.2超分辨重建技術(shù)簡(jiǎn)介
2.3超分辨數(shù)據(jù)集
2.4超分辨質(zhì)量評(píng)價(jià)方法
2.5有監(jiān)督超分辨技術(shù)
2.5.1超分辨主流框架
2.5.2典型的超分辨網(wǎng)絡(luò)結(jié)構(gòu)
2.5.3損失函數(shù)設(shè)計(jì)
2.6無(wú)監(jiān)督超分辨技術(shù)
2.6.1零樣本超分辨
2.6.2弱監(jiān)督超分辨
2.7特定領(lǐng)域超分辨技術(shù)
2.7.1深度圖像超分辨重建
2.7.2人臉超分辨重建
2.7.3視頻超分辨重建
2.8超分辨未來發(fā)展趨勢(shì)
第3章目標(biāo)檢測(cè)
3.1引言
3.2目標(biāo)檢測(cè)常用數(shù)據(jù)集及評(píng)價(jià)指標(biāo)
3.2.1常用目標(biāo)檢測(cè)數(shù)據(jù)集
3.2.2常用目標(biāo)檢測(cè)評(píng)價(jià)指標(biāo)
3.3傳統(tǒng)目標(biāo)檢測(cè)算法
3.4基于深度學(xué)習(xí)的雙階目標(biāo)檢測(cè)算法
3.4.1雙階目標(biāo)檢測(cè)網(wǎng)絡(luò)發(fā)展歷程
3.4.2雙階目標(biāo)檢測(cè)網(wǎng)絡(luò)的樣本不平衡處理方法
3.5基于深度學(xué)習(xí)的單階目標(biāo)檢測(cè)算法
3.5.1單階目標(biāo)檢測(cè)網(wǎng)絡(luò)發(fā)展歷程
3.5.2單階目標(biāo)檢測(cè)網(wǎng)絡(luò)關(guān)鍵技術(shù)
3.5.3基于Anchor-free的新型檢測(cè)技術(shù)
3.6目標(biāo)檢測(cè)難點(diǎn)與前沿問題
3.6.1域自適應(yīng)目標(biāo)檢測(cè)
3.6.2基于小樣本學(xué)習(xí)的目標(biāo)檢測(cè)
3.6.3基于零樣本學(xué)習(xí)的目標(biāo)檢測(cè)
3.7目標(biāo)檢測(cè)應(yīng)用場(chǎng)景與展望
3.7.1目標(biāo)檢測(cè)在安防領(lǐng)域的應(yīng)用
3.7.2目標(biāo)檢測(cè)在軍事領(lǐng)域的應(yīng)用
3.7.3目標(biāo)檢測(cè)在醫(yī)學(xué)領(lǐng)域的應(yīng)用
3.7.4目標(biāo)檢測(cè)在交通領(lǐng)域的應(yīng)用
第4章視頻多目標(biāo)跟蹤
4.1引言
4.1.1單目標(biāo)跟蹤簡(jiǎn)介
4.1.2多目標(biāo)跟蹤研究的背景與意義
4.1.3多目標(biāo)跟蹤的評(píng)價(jià)指標(biāo)
4.2經(jīng)典的傳統(tǒng)多目標(biāo)跟蹤技術(shù)
4.2.1基于軌跡預(yù)測(cè)的多目標(biāo)跟蹤算法
4.2.2基于數(shù)據(jù)關(guān)聯(lián)的多目標(biāo)跟蹤算法
4.3基于深度學(xué)習(xí)的多目標(biāo)跟蹤技術(shù)
4.3.1基于深度學(xué)習(xí)的特征提取與運(yùn)動(dòng)預(yù)測(cè)
4.3.2檢測(cè)與跟蹤融合的深度學(xué)習(xí)網(wǎng)絡(luò)
4.4多目標(biāo)跟蹤技術(shù)的未來展望
第5章跨鏡行人重識(shí)別
5.1引言
5.2基于局部特征的Re-ID方法
5.2.1圖像切塊的方法
5.2.2利用人體姿態(tài)估計(jì)的方法
5.2.3人體部位對(duì)齊的方法
5.3基于表征學(xué)習(xí)的Re-ID方法
5.3.1基于注意力機(jī)制的方法
5.3.2引入行人屬性特征的多任務(wù)學(xué)習(xí)方法
5.3.3基于圖像分割的方法
5.4跨域遷移
5.4.1基于弱監(jiān)督學(xué)習(xí)的方法
5.4.2基于無(wú)監(jiān)督學(xué)習(xí)的方法
5.4.3基于GAN的方法
5.5基于視頻序列的Re-ID方法
5.5.1利用運(yùn)動(dòng)信息建模的方法
5.5.2利用時(shí)序信息建模的方法
5.5.33D卷積建模方法
5.6基于造圖的Re-ID方法
第6章行為分析
6.1引言
6.2人體關(guān)鍵點(diǎn)檢測(cè)
6.2.1背景
6.2.2研究難點(diǎn)
6.2.3數(shù)據(jù)集和評(píng)價(jià)標(biāo)準(zhǔn)
6.2.4傳統(tǒng)方法
6.2.5基于深度學(xué)習(xí)的方法
6.3行為識(shí)別
6.3.1背景
6.3.2研究難點(diǎn)
6.3.3數(shù)據(jù)集介紹
6.3.4傳統(tǒng)方法iDT
6.3.5深度學(xué)習(xí)方法
6.4行為檢測(cè)
6.4.1背景
6.4.2研究難點(diǎn)
6.4.3數(shù)據(jù)集介紹
6.4.4基于深度學(xué)習(xí)的方法
6.5本章小結(jié)
第7章基于視頻分析的生理信號(hào)的檢測(cè)
7.1引言
7.2光電容積脈搏波
7.2.1傳統(tǒng)的PPG波形特征及檢測(cè)原理
7.2.2基于視頻的rPPG檢測(cè)原理
7.3基于視頻PPG信號(hào)的心率檢測(cè)
7.3.1PPG信號(hào)計(jì)算心率背景
7.3.2心率相關(guān)信號(hào)預(yù)處理
7.3.3心率計(jì)算方法
7.4基于視頻PPG信號(hào)的血壓檢測(cè)
7.4.1PPG信號(hào)計(jì)算血壓原理
7.4.2血壓計(jì)算方法
7.5基于視頻PPG信號(hào)的血糖監(jiān)測(cè)
7.5.1基于視頻監(jiān)測(cè)血糖的原理
7.5.2血糖相關(guān)信號(hào)處理及特征提取
7.5.3血糖計(jì)算方法
第8章卷積神經(jīng)網(wǎng)絡(luò)模型壓縮與加速
8.1引言
8.2模型剪枝
8.2.1非結(jié)構(gòu)化剪枝
8.2.2結(jié)構(gòu)化剪枝
8.3模型量化
8.4知識(shí)蒸餾
8.5其他壓縮與加速技術(shù)
8.5.1低秩分解
8.5.2簡(jiǎn)潔結(jié)構(gòu)設(shè)計(jì)
8.5.3神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索
第9章非配合環(huán)境下視頻智能分析算法平臺(tái)
9.1引言
9.1.1視頻智能分析算法與平臺(tái)功能
9.1.2視頻分析相關(guān)標(biāo)準(zhǔn)
9.2視頻智能分析算法庫(kù)
9.2.1視頻智能分析算法庫(kù)架構(gòu)
9.2.2視頻智能分析算法工程化實(shí)現(xiàn)
9.2.3視頻智能分析算法驗(yàn)證方法
9.3基于微云的視頻智能分析平臺(tái)架構(gòu)設(shè)計(jì)
9.3.1Kubernetes微云系統(tǒng)設(shè)計(jì)
9.3.2資源調(diào)度策略
9.3.3存儲(chǔ)與管理策略
9.3.4服務(wù)部署策略
9.4視頻智能分析算法平臺(tái)系統(tǒng)
9.4.1視頻智能分析算法平臺(tái)人機(jī)界面
9.4.2視頻智能分析算法平臺(tái)操作流程
參考文獻(xiàn)
中英文術(shù)語(yǔ)對(duì)照