機器視覺檢測與識別技術及應用：基于深度學習

第1章 機器視覺概述
1.1 機器視覺的基本概念 002
1.2 機器視覺的發(fā)展歷程 005
1.3 機器視覺的發(fā)展趨勢 008
1.4 機器視覺的應用領域 011
第2章 深度學習基礎知識
2.1 基本概念與理論 018
2.2 基本思想 022
2.3 深度學習常用的方法 022
第3章 深度學習與機器視覺
3.1 深度學習應用于機器視覺 028
3.2 深度學習應用于機器視覺的例子 030
3.2.1 基于深度學習的機器視覺在谷歌中的應用 030
3.2.2 基于深度學習的機器視覺在百度中的應用 030
3.2.3 基于深度學習的機器視覺在醫(yī)療中的應用 032
3.2.4 基于深度學習的機器視覺在安防中的應用 033
3.2.5 基于深度學習的機器視覺在攝影攝像中的應用 033
3.3 機器視覺的關鍵深度學習方法和應用 034
第4章 圖像分類與參數(shù)學習
4.1 圖像分類基礎 042
4.2 線性分類器 044
4.3 損失函數(shù) 047
4.3.1 損失函數(shù)的作用 047
4.3.2 常見的損失函數(shù) 048
第5章 Transformer
5.1 Transformer背景 052
5.1.1 Transformer簡介 052
5.1.2 傳統(tǒng)序列模型的局限性 053
5.2 Transformer模型 054
5.2.1 Transformer基本框架 054
5.2.2 輸入部分 054
5.2.3 編碼器結構 057
5.2.4 解碼器結構 059
5.3 Transformer在機器視覺中的應用 060
5.3.1 Detection Transformer（DETR） 060
5.3.2 Unsupervised Pre-training for Object Detection with Transformers（UP-DETR） 062
5.3.3 Deformable DETR 062
第6章 基于深度學習的目標檢測
6.1 目標檢測技術 066
6.1.1 目標檢測概念 066
6.1.2 目標檢測評價指標 067
6.1.3 目標檢測數(shù)據(jù)集 070
6.2 目標檢測方法 071
6.2.1 傳統(tǒng)目標檢測算法 071
6.2.2 基于深度學習目標檢測算法 073
6.3 基于區(qū)域的兩階段目標檢測方法 076
6.3.1 R-CNN 076
6.3.2 SPP-Net 080
6.3.3 Fast R-CNN 083
6.3.4 Faster R-CNN 086
6.4 基于區(qū)域的單階段目標檢測方法 091
6.4.1 SSD 092
6.4.2 YOLO v3 095
6.4.3 RetinaNet 098
6.5 基于深度學習的目標檢測算法應用場景 102
6.5.1 農(nóng)業(yè)領域應用——害蟲檢測 102
6.5.2 航天領域應用——遙感監(jiān)測 103
6.5.3 交通領域應用——車輛檢測 103
第7章 目標識別
7.1 目標識別技術 108
7.1.1 目標識別概念 108
7.1.2 目標識別評價指標 108
7.2 目標識別方法 109
7.2.1 傳統(tǒng)目標識別方法 109
7.2.2 深度學習目標識別方法 112
第8章 深度學習中的目標識別
8.1 圖像識別模型介紹 114
8.2 圖像識別模型改進算法 118
8.2.1 小加權隨機搜索算法 118
8.2.2 E-S判斷方法 121
8.2.3 構造小型卷積神經(jīng)網(wǎng)絡 122
8.2.4 殘差網(wǎng)絡模型 124
8.2.5 融入注意力機制的殘差網(wǎng)絡識別算法 126
8.3 基于深度學習的目標識別算法應用場景 129
8.3.1 生物信息領域應用——人臉識別 129
8.3.2 軍事領域應用——雷達探測 134
8.3.3 工業(yè)領域應用——水下作業(yè) 134
第9章 前列腺腫瘤檢測
9.1 前列腺圖像復原、重建與合成 143
9.1.1 醫(yī)學圖像復原與重建 143
9.1.2 前列腺圖像合成 145
9.2 醫(yī)學圖像配準與分割 147
9.2.1 醫(yī)學圖像配準 147
9.2.2 醫(yī)學圖像分割 148
第10章 目標檢測與識別技術在醫(yī)療領域中的應用
10.1 醫(yī)學圖像處理技術及應用價值 152
10.1.1 醫(yī)學圖像的類型 152
10.1.2 醫(yī)學圖像的格式 155
10.1.3 目標檢測與識別技術在醫(yī)療領域的應用價值 157
10.2 影像圖像的疾病診斷與病灶分型 158
10.2.1 典型的疾病診斷網(wǎng)絡 159
10.2.2 影像的疾病診斷應用 165
10.3 影像圖像的組織器官分割技術 176
10.3.1 通用分割網(wǎng)絡 177
10.3.2 專用分割技術 189
10.4 公開數(shù)據(jù)集 203
10.4.1 影像診斷 203
10.4.2 器官分割 207
10.4.3 病理分析與生物信息 209
10.4.4 競賽單元/通用數(shù)據(jù)集 210
第11章  生菜識別及性狀分析
11.1 背景介紹 218
11.2 定義問題 219
11.3 數(shù)據(jù)分析 220
11.3.1 數(shù)據(jù)內(nèi)容及結構 220
11.3.2 數(shù)據(jù)相關性分析 222
11.4 數(shù)據(jù)處理 226
11.4.1 數(shù)據(jù)加載及預處理 226
11.4.2 數(shù)據(jù)增強 228
11.4.3 標簽加載 229
11.5 模型搭建 230
11.5.1 三階段多分支自校正網(wǎng)絡設計思路 230
11.5.2 主模型 233
11.5.3 輔助模型 237
11.6 模型訓練 241
11.6.1 訓練參數(shù)設置 241
11.6.2 訓練曲線及結果分析 243
11.7 模型評估 247
11.7.1 評估指標 247
11.7.2 評估結果 248
11.8 模型討論 254
11.8.1 深度圖像的數(shù)據(jù)處理方法討論 254
11.8.2 輔助模型的設計及選擇 256
11.8.3 高通量情形下的生菜性狀估計思路設計 258