《深度学习之图像目标检测与识别方法》[54]百度网盘|亲测有效|pdf下载

内容简介

本书介绍了深度学习在图像目标检测与识别领域的应用，主要包括基于UNet的图像去雾算法、基于特征融合GAN的图像增强算法、基于ESRGAN的图像超分辨率重建算法、基于嵌套UNet的图像分割算法、基于对抗迁移学习的水下大坝裂缝图像分割算法、基于改进Faster-RCNN的海洋生物检测算法、基于YOLOv4的目标检测算法、基于RetinaNet的密集目标检测算法、基于LSTM网络的视频图像目标实时检测、基于改进YOLOv4的嵌入式变电站仪表检测算法等。

作者简介

史朋飞，男，博士、副教授、硕士生导师，CCF会员、IEEE会员，入选河海大学"大禹学者计划”"常州市重点产业紧缺人才计划”等。主要从事机器视觉、水下探测与成像、多源信息融合等方面的研究。主持江苏省自然科学基金1项、国家自然科学基金1项、常州市应用基础研究计划1项。发表论文50余篇，其中SCI/EI检索30余篇。申请发明专利20余项，授权10余项。获得软件著作权5项。获江苏省科学技术三等奖1项，常州市优秀科技论文二等奖、三等奖各1项。编写《人工智能与机器人》教材、《水下光学图像增强与复原方法及应用》各1部等。

目　　录

目录
第0章绪论 1
0.1 研究背景及意义 1
0.2 国内外研究现状 2
0.2.1 水下图像质量提升方法 2
0.2.2 基于深度学习的目标检测算法研究 5
0.2.3 裂缝图像分割算法研究 7
0.3 本书的主要内容及章节安排如下 9
参考文献 12
第1章基于UNet的图像去雾算法 19
1.1 引言 19
1.2 本章算法 21
1.2.1 特征提取层 21
1.2.2 网络结构 21

目 录
 第0章 绪论	1
 0.1 研究背景及意义	1
 0.2 国内外研究现状	2
 0.2.1 水下图像质量提升方法	2
 0.2.2 基于深度学习的目标检测算法研究	5
 0.2.3 裂缝图像分割算法研究	7
 0.3 本书的主要内容及章节安排如下	9
 参考文献	12
 第1章 基于UNet的图像去雾算法	19
 1.1 引言	19
 1.2 本章算法	21
 1.2.1 特征提取层	21
 1.2.2 网络结构	21
 1.2.3 损失函数	25
 1.3 实验与分析	26
 1.3.1 实验环境	26
 1.3.2 实验数据集	26
 1.3.3 评价指标	26
 1.3.4 参数设置	27
 1.3.5 实验结果	27
 1.3.6 运行时间对比	31
 1.4 本章小结	31
 参考文献	31
 第2章 基于特征融合GAN的图像增强算法	35
 2.1 引言	35
 2.2 GAN概述	35
 2.2.1 GAN的基本概念	35
 2.2.2 GAN的数学模型	36
 2.3 基于特征融合GAN的图像增强算法	37
 2.3.1 颜色校正	37
 2.3.2 生成器的结构	41
 2.3.3 判别器的结构	43
 2.3.4 损失函数的选择	43
 2.4 实验与分析	45
 2.4.1 实验数据及训练	45
 2.4.2 实验结果	47
 2.4.3 消融实验	50
 2.5 本章小结	52
 参考文献	53
 第3章 基于ESRGAN的图像超分辨率重建算法	57
 3.1 引言	57
 3.2 ESRGAN	57
 3.3 基于ESRGAN的水下图像超分辨率重建算法	60
 3.3.1 生成器的结构	60
 3.3.2 相对判别器的结构	63
 3.3.4 损失函数的选择	65
 3.4 实验与分析	66
 3.4.1 实验数据及训练	66
 3.4.2 实验结果	67
 3.5 本章小结	70
 参考文献	70
 第4章 基于嵌套UNet的图像分割算法	73
 4.1 引言	73
 4.2 卷积神经网络的相关技术	74
 4.3 全卷积网络	75
 4.4 UNet模型	78
 4.5 裂缝图像分割模型Att_Nested_UNet	79
 4.5.1 相关研究	79
 4.5.2 Att_Nested_UNet的工作原理	79
 4.5.3 实验及结果	83
 4.6 本章小结	87
 参考文献	87
 第5章 基于对抗迁移学习的水下大坝裂缝图像分割算法	89
 5.1 引言	89
 5.2 相关工作	90
 5.2.1 裂缝图像分割	90
 5.2.2 水下大坝裂缝图像分割	91
 5.2.3 迁移学习	91
 5.3 本章算法	92
 5.3.1 网络模型	92
 5.3.2 对抗迁移学习	94
 5.3.3 损失函数	95
 5.4 实验与分析	96
 5.4.1 数据集	96
 5.4.2 训练策略	97
 5.4.3 实验结果	97
 5.4.4 评价指标	98
 5.5 本章小结	100
 参考文献	100
 第6章 基于改进Faster-RCNN的海洋生物检测算法	105
 6.1 引言	105
 6.2 相关工作	105
 6.3 本章算法	107
 6.3.1 ResNet-BiFPN简介	107
 6.3.2 有效交并比	110
 6.3.3 K-means++算法	112
 6.4 实验与分析	114
 6.4.1 实验配置及数据集	114
 6.4.2 评价指标	114
 6.4.3 实验结果	115
 6.5 本章小结	119
 参考文献	119
 
 第7章 基于YOLOv4的目标检测算法	123
 7.1 引言	123
 7.2 结合数据增强和改进YOLOv4的水下目标检测算法	125
 7.2.1 CBAM-CSPDarknet53	125
 7.2.2 DetPANet	127
 7.2.3 PredMix	128
 7.3 实验与分析	130
 7.3.1 实验配置及数据集	130
 7.3.2 实验结果	131
 7.4 本章小结	135
 参考文献	135
 第8章 基于RetinaNet的密集目标检测算法	139
 8.1 引言	139
 8.2 本章算法	140
 8.2.1 本章算法的主体框架	140
 8.2.2 多维注意力模块	142
 8.2.3 弱化的非极大值抑制算法	144
 8.2.4 损失函数	146
 8.3 实验与分析	147
 8.3.1 实验环境与数据集	147
 8.3.2 实验参数与评价指标	149
 8.3.3 实验过程与结果分析	150
 8.4 本章小结	155
 参考文献	156
 第9章 基于LSTM网络的视频图像目标实时检测算法	159
 9.1 引言	159
 9.2 长短时记忆网络和记忆引导网络	160
 9.2.1 长短时记忆网络	160
 9.2.2 记忆引导网络	162
 9.3 交叉检测框架	165
 9.3.1 交叉检测框架的思路	165
 9.3.2 交叉检测框架的选择	166
 9.4 模型训练和实验分析	167
 9.4.1 模型训练策略	167
 9.4.2 实验分析	168
 9.5 本章小结	174
 参考文献	174
 第10章 基于改进YOLOv4的嵌入式变电站仪表检测算法	177
 10.1 引言	177
 10.2 本章算法	179
 10.2.1 YOLOv4简介	179
 10.2.2 对YOLOv4的改进	180
 10.3 实验与分析	183
 10.3.1 数据集与实验平台	183
 10.3.2 数据集与实验平台	184
 10.3.3 计算量与模型参数对比	185
 10.3.4 检测速度和检测精度的对比	186
 10.4 本章小结	188
 参考文献	189

显示全部信息