深度學習與目標檢測, 2/e

本書的寫作初衷是，從學者的角度，用一種通俗易懂的方式，將基於深度學習的目標檢測的相關論文中的理論和方法呈現給讀者，同時針對作者在深度學習教學過程中遇到的難點，進行深入的分析和講解。本書側重對捲積神經網絡的介紹，而深度學習的內容不止於此。所以，作者將深度學習分為有監督學習、無監督學習和強化學習三類，將圖像分類、目標檢測、人臉識別、語音識別、雙向生成對抗網絡和AlphaGo等應用場景歸入不同的類別，並分別對其原理進行了概括性的講解。本書適合有一定深度學習或目標檢測學習基礎的學生、研究者、從業者閱讀。

第1章　深度學習概述 2
1.1　深度學習發展簡史 2
1.2　有監督學習 4
1.2.1　圖像分類 4
1.2.2　目標檢測 6
1.2.3　人臉識別 10
1.2.4　語音識別 13
1.3　無監督學習 17
1.3.1　無監督學習概述 18
1.3.2　雙向生成對抗網絡 18
1.4　強化學習 21
1.4.1　AlphaGo 22
1.4.2　AlphaGo Zero 24
1.5　小結 25
參考資料 25
第2章　深度神經網絡 28
2.1　神經元 28
2.2　感知機 31
2.3　前向傳遞 32
2.3.1　前向傳遞的流程 33
2.3.2　激活函數 34
2.3.3　損失函數 38
2.4　後向傳遞 41
2.4.1　後向傳遞的流程 41
2.4.2　梯度下降 41
2.4.3　參數修正 43
2.5　防止過擬合 45
2.5.1　dropout 46
2.5.2　正則化 46
2.6　小結 47
第3章　捲積神經網絡 48
3.1　捲積層 49
3.1.1　valid捲積 49
3.1.2　full捲積 51
3.1.3　same捲積 52
3.2　池化層 53
3.3　反捲積 54
3.4　感受野 56
3.5　捲積神經網絡實例 57
3.5.1　LeNet-5 58
3.5.2　AlexNet 60
3.5.3　VGGNet 63
3.5.4　GoogLeNet 66
3.5.5　ResNet 76
3.5.6　MobileNet 77
3.6　小結 79
進 階 篇
第4章　兩階段目標檢測方法 82
4.1　R-CNN 82
4.1.1　算法流程 82
4.1.2　訓練過程 83
4.2　SPP-Net 87
4.2.1　網絡結構 87
4.2.2　空間金字塔池化 88
4.3　Fast R-CNN 89
4.3.1　感興趣區域池化層 90
4.3.2　網絡結構 91
4.3.3　全連接層計算加速 92
4.3.4　目標分類 93
4.3.5　邊界框回歸 94
4.3.6　訓練過程 95
4.4　Faster R-CNN 99
4.4.1　網絡結構 100
4.4.2　RPN 101
4.4.3　訓練過程 107
4.5　R-FCN 109
4.5.1　R-FCN網絡結構 110
4.5.2　位置敏感的分數圖 111
4.5.3　位置敏感的RoI池化 111
4.5.4　R-FCN損失函數 113
4.5.5　Caffe網絡模型解析 113
4.5.6　U-Net 117
4.5.7　SegNet 118
4.6　Mask R-CNN 119
4.6.1　實例分割簡介 119
4.6.2　COCO數據集的像素級標註 121
4.6.3　網絡結構 121
4.7　小結 125
參考資料 125
第5章　單階段目標檢測方法 126
5.1　SSD 126
5.1.1　default box 126
5.1.2　網絡結構 127
5.1.3　Caffe網絡模型解析 128
5.1.4　訓練過程 137
5.2　RetinaNet 138
5.2.1　FPN 139
5.2.2　聚焦損失函數 140
5.3　RefineDet 142
5.3.1　網絡模型 142
5.3.2　Caffe網絡模型解析 144
5.3.3　訓練過程 153
5.4　YOLO 154
5.4.1　YOLO v1 154
5.4.2　YOLO v2 157
5.4.3　YOLO v3 159
5.5　目標檢測算法應用場景舉例 161
5.5.1　高速公路坑洞檢測 161
5.5.2　息肉檢測 162
5.6　小結 163
參考資料 164
應 用 篇
第6章　肋骨骨折檢測 166
6.1　國內外研究現狀 166
6.2　解決方案 168
6.3　預處理 168
6.4　肋骨骨折檢測 169
6.5　實驗結果分析 170
6.6　小結 172
參考資料 172
第7章　肺結節檢測 174
7.1　國內外研究現狀 174
7.2　總體框架 176
7.2.1　肺結節數據集 176
7.2.2　肺結節檢測難點 177
7.2.3　算法框架 177
7.3　肺結節可疑位置推薦算法 178
7.3.1　CT圖像的預處理 179
7.3.2　肺結節分割算法 180
7.3.3　優化方法 182
7.3.4　推斷方法 184
7.4　可疑肺結節定位算法 185
7.5　實驗結果與分析（1） 186
7.5.1　實驗結果 186
7.5.2　改進點效果分析 186
7.6　假陽性肺結節抑制算法 188
7.6.1　假陽性肺結節抑制網絡 188
7.6.2　優化策略 192
7.6.3　推斷策略 194
7.7　實驗結果與分析（2） 194
7.7.1　實驗結果 194
7.7.2　改進點效果分析 195
7.7.3　可疑位置推薦算法與假陽性抑制算法的整合 196
7.8　小結 197
參考資料 197
第8章　車道線檢測 199
8.1　國內外研究現狀 199
8.2　主要研究內容 201
8.2.1　總體解決方案 201
8.2.2　各階段概述 202
8.3　車道線檢測系統的設計與實現 205
8.3.1　車道線圖像數據標註與篩選 206
8.3.2　車道線圖片預處理 207
8.3.3　車道線分割模型訓練 211
8.3.4　車道線檢測 220
8.3.5　車道線檢測結果 224
8.4　車道線檢測系統性能測試 224
8.4.1　車道線檢測質量測試 224
8.4.2　車道線檢測時間測試 226
8.5　小結 226
參考資料 227
第9章　交通視頻分析 228
9.1　國內外研究現狀 229
9.2　主要研究內容 230
9.2.1　總體設計 231
9.2.2　精度和性能要求 231
9.3　交通視頻分析 232
9.3.1　車輛檢測和車牌檢測 232
9.3.2　車牌識別功能設計詳解 234
9.3.3　車輛品牌及顏色的識別 242
9.3.4　目標跟蹤設計詳解 243
9.4　系統測試 246
9.4.1　車輛檢測 247
9.4.2　車牌檢測 250
9.4.3　車牌識別 252
9.4.4　車輛品牌識別 255
9.4.5　目標跟蹤 257
9.5　小結 258
參考資料 258
第10章　道路坑洞檢測 260
10.1　系統流程 260
10.2　道路坑洞圖像生成 262
10.2.1　坑洞生成網絡 262
10.2.2　遮罩生成方法 263
10.2.3　圖像融合 264
10.2.4　基於增廣訓練集的目標檢測 265
10.3　實驗與分析 266
10.3.1　影響因素 267
10.3.2　數據增廣方法對比 268
10.3.3　邊緣提取方法對比 270
10.3.4　圖像融合方法對比 271
10.3.5　目標檢測 273
10.4　小結 274
參考資料 274