深度學習與圖像處理：基礎、進階與案例實戰

郭業才，男，教授，博導。2003年獲西北工業大學水聲工程專業博士學位，全國優秀百篇博士學位論文獲得者，安徽省學術與技術帶頭人，江蘇省“六大人才高峰”培養對象，江蘇省高校“信息與通信工程”優勢建設項目方向帶頭人。主持完成或承擔了全國優秀博士學位論文作者專項資金、國家自然科學基金等科研項目和、省級教學研究項目等，共20余項；獲省級科學技術成果獎和教學成果獎9項；出版規劃教材1部、教育部電子信息類教指委規劃教材5部及省重點教材2部；獲授權發明專利30余件；指導的研究生有5人獲省級優秀碩士學位論文獎。

第1章Python環境與基礎1
1.1Python語言的開發環境1
1.1.1Jupyter Notebook1
1.1.2OpenCV1
1.1.3TensorFlow2
1.1.4PyTorch3
1.1.5Paddle Paddle7
1.2Python基礎知識8
1.2.1Python編程基礎8
1.2.2Python函數進階15
1.3基於Python的數據分析與可視化22
1.3.1Python的數據分析庫與數據可視化庫22
1.3.2基於Python的數據分析23
1.3.3基於Python的數據可視化23
1.4基於Python的聚類算法25
1.4.1聚類分析25
1.4.2聚類算法25
第2章機器學習37
2.1機器學習的發展38
2.2機器學習的問題描述39
2.3機器學習的理論基礎與主要方法39
2.3.1機器學習的理論基礎39
2.3.2機器學習的主要方法40
2.3.3機器學習的經典模型42
2.3.4機器學習的知識圖譜44
2.3.5機器學習的三要素46
2.4機器學習的基本流程46
2.4.1機器學習的訓練流程46
2.4.2模型訓練的註意事項48
2.5數據挖掘及其基本步驟49
2.5.1數據挖掘49
2.5.2預測建模51
2.5.3數據挖掘的基本步驟52
2.6機器學習和數據挖掘的常用工具53
目錄·
··深度學習與圖像處理：基礎、進階與案例實戰
第3章圖像處理基礎55
3.1圖像去模糊55
3.1.1圖像模糊類型55
3.1.2圖像模糊退化模型57
3.1.3圖像先驗知識58
3.2圖像去噪60
3.2.1噪聲模型60
3.2.2傳統的圖像去噪方法63
3.2.3去噪效果評價指標63
3.3圖像全色銳化64
3.3.1成分替換法64
3.3.2GIHS變換融合65
3.3.3PCA變換融合66
3.3.4GS變換融合67
3.3.5多分辨率分析法67
3.3.6小波變換法68
3.3.7模型優化法69
3.4圖像修覆73
3.4.1圖像修覆概念73
3.4.2傳統的圖像修覆算法73
3.4.3常用的圖像修覆數據集74
第4章深度學習基礎75
4.1神經網絡75
4.1.1生物神經元與人工神經元76
4.1.2感知器78
4.2神經網絡的訓練與優化80
4.2.1神經網絡的訓練80
4.2.2神經網絡的優化算法81
4.3反向傳播算法86
4.3.1反向傳播算法思想86
4.3.2反向傳播算法過程87
4.4欠擬合與過擬合89
4.4.1基本概念90
4.4.2以減少特征變量的方法防止過擬合91
4.4.3以權重正則化的方法防止過擬合92
4.4.4以交叉驗證的方法防止過擬合92
4.4.5以Dropout正則化的方法防止過擬合94
4.4.6貝葉斯正則化95
第5章深度神經網絡98
5.1深度神經網絡概述98
5.1.1深度神經網絡的工作原理98
5.1.2深度神經網絡的主要模型101
5.2卷積神經網絡102
5.2.1輸入層102
5.2.2隱藏層103
5.2.3輸出層（全連接層）112
5.3卷積神經網絡算法113
5.3.1鏈式法則113
5.3.2梯度下降與反向傳播算法113
5.3.3卷積層的誤差傳遞115
5.3.4卷積層權重梯度的計算116
5.3.5池化層的誤差傳遞117
5.4卷積神經網絡的訓練與優化118
5.4.1卷積神經網絡的工作流程118
5.4.2訓練與優化118
5.4.3卷積神經網絡與人工神經網絡的比較120
第6章圖神經網絡121
6.1圖神經網絡概述121
6.1.1圖神經網絡的出現與發展121
6.1.2圖神經網絡123
6.2經典的圖神經網絡124
6.2.1圖卷積網絡124
6.2.2圖樣本和聚合125
6.2.3圖註意力網絡129
6.3其他圖神經網絡模型131
6.3.1無監督的節點表示學習131
6.3.2圖池化140
第7章空洞多級卷積神經網絡143
7.1空洞多級模塊143
7.1.1空洞卷積143
7.1.2空洞多級模塊結構145
7.2基於卷積神經網絡的高效Pan-sharpening模型146
7.2.1數據集146
7.2.2超參數設置與網絡結構選擇148
7.2.3代價函數及其求解150
7.3深度學習結合模型優化的Pan-sharpening模型150
7.3.1基於梯度域的線性Pan-sharpening模型優化算法151
7.3.2基於深度梯度先驗的Pan-sharpening模型優化算法154
7.4多尺度空洞深度卷積神經網絡160
7.4.1SRCNN160
7.4.2超分辨率多尺度空洞卷積神經網絡161
7.4.3多尺度多深度空洞卷積神經網絡164
第8章深度強化學習167
8.1組成與結構167
8.1.1基本概念167
8.1.2馬爾可夫決策過程168
8.1.3數學基礎169
8.1.4策略疊代170
8.1.5值疊代171
8.2深度學習與強化學習171
8.2.1深度學習與強化學習之不同172
8.2.2深度學習與強化學習之結合173
8.3基於值函數的深度強化學習173
8.3.1深度Q學習174
8.3.2DQN與Q學習的區別176
8.3.3改進深度Q網絡176
8.4基於策略梯度的深度強化學習184
8.4.1深度確定性策略梯度算法185
8.4.2異步深度強化學習算法187
8.4.3信賴域策略優化及其衍生算法191
第9章深度生成對抗網絡198
9.1生成對抗網絡198
9.1.1生成網絡199
9.1.2鑒別網絡200
9.1.3損失函數201
9.2多尺度生成對抗網絡201
9.2.1多尺度結構201
9.2.2多尺度生成對抗網絡結構202
9.2.3損失函數204
9.3深度卷積生成對抗網絡204
9.3.1DCGAN的優化205
9.3.2DCGAN的改進206
9.3.3DCGAN的設計206
9.4半監督深度卷積生成對抗網絡206
9.4.1YOLOv5網絡結構207
9.4.2改進的YOLOv5網絡212
9.4.3半監督YOLOv5網絡220
9.5深度強化對抗學習網絡223
9.5.1Exposure圖像增強模型224
9.5.2相對對抗學習及獎勵函數226
9.5.3評論家正則化策略梯度算法227
9.5.4網絡結構228
第10章基礎實戰案例229
10.1Python開發環境的安裝與驗證229
10.1.1Python安裝229
10.1.2OpenCV安裝與驗證232
10.1.3TensorFlow安裝與驗證234
10.2基於PCA-BP神經網絡的數字儀器識別技術249
10.2.1表盤區域提取250
10.2.2圖像預處理250
10.2.3字符識別251
10.2.4字符識別的神經網絡251
10.2.5實驗設計254
第11章進階實戰案例256
11.1基於深度卷積神經網絡的遙感圖像分類256
11.1.1基於卷積神經網絡的遙感圖像識別256
11.1.2基於改進AlexNet網絡的遙感圖像分類257
11.1.3仿真實驗與結果分析260
11.2基於多尺度級聯生成對抗網絡的水下圖像增強265
11.2.1網絡結構和損失函數265
11.2.2仿真實驗與結果分析268
11.2.3消融實驗276
11.3基於多層次卷積特征融合與高置信度更新的跟蹤276
11.3.1基於多層次卷積特征融合與高置信度更新的跟蹤算法277
11.3.2仿真實驗與結果分析280
11.4基於圖生成對抗卷積網絡的半監督睡眠分期289
11.4.1睡眠信號基本理論290
11.4.2GSGANet模型295
11.4.3仿真實驗與結果分析300
11.5基於密集連接的序列稀疏化Transformer行人重識別306
11.5.1密集連接的稀疏Transformer模型307
11.5.2仿真實驗與結果分析311
11.6基於改進YOLOv5網絡的無人機圖像檢測317
11.6.1問題與解決思路318
11.6.2算法原理318
11.6.3仿真實驗與結果分析321
11.7基於級聯多尺度特征融合殘差網絡的圖像去噪326
11.7.1問題與解決思路327
11.7.2模型與架構分析328
11.7.3仿真實驗與結果分析332
參考文獻337
附錄341