深度學習之圖像目標檢測與識別方法

史朋飛 等

深度學習之圖像目標檢測與識別方法
  • 出版商: 電子工業
  • 出版日期: 2024-09-01
  • 售價: $474
  • 貴賓價: 9.5 折 $450
  • 語言: 簡體中文
  • 頁數: 208
  • ISBN: 7121488124
  • ISBN-13: 9787121488122
  • 相關分類: 影像辨識 Image-recognition

    • 立即出貨

買這商品的人也買了...

簡體館年度書展｜現貨2書79折3書75折 詳見活動內容 »

簡體館年度書展｜現貨2書79折3書75折 詳見活動內容 »

相關主題

商品描述

本書介紹了深度學習在圖像目標檢測與識別領域的應用，主要包括基於UNet的圖像去霧算法、基於特徵融合GAN的圖像增強算法、基於ESRGAN的圖像超分辨率重建算法、基於嵌套UNet的圖像分割算法、基於對抗遷移學習的水下大壩裂縫圖像分割算法、基於改進Faster-RCNN的海洋生物檢測算法、基於YOLOv4的目標檢測算法、基於RetinaNet的密集目標檢測算法、基於LSTM網絡的視頻圖像目標實時檢測、基於改進YOLOv4的嵌入式變電站儀表檢測算法等。

目錄大綱

目 錄
第0章 緒論 1
0.1 研究背景及意義 1
0.2 國內外研究現狀 2
0.2.1 水下圖像質量提升方法 2
0.2.2 基於深度學習的目標檢測算法研究 5
0.2.3 裂縫圖像分割算法研究 7
0.3 本書的主要內容及章節安排如下 9
參考文獻 12
第1章 基於UNet的圖像去霧算法 19
1.1 引言 19
1.2 本章算法 21
1.2.1 特徵提取層 21
1.2.2 網絡結構 21
1.2.3 損失函數 25
1.3 實驗與分析 26
1.3.1 實驗環境 26
1.3.2 實驗數據集 26
1.3.3 評價指標 26
1.3.4 參數設置 27
1.3.5 實驗結果 27
1.3.6 運行時間對比 31
1.4 本章小結 31
參考文獻 31
第2章 基於特徵融合GAN的圖像增強算法 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的數學模型 36
2.3 基於特徵融合GAN的圖像增強算法 37
2.3.1 顏色校正 37
2.3.2 生成器的結構 41
2.3.3 判別器的結構 43
2.3.4 損失函數的選擇 43
2.4 實驗與分析 45
2.4.1 實驗數據及訓練 45
2.4.2 實驗結果 47
2.4.3 消融實驗 50
2.5 本章小結 52
參考文獻 53
第3章 基於ESRGAN的圖像超分辨率重建算法 57
3.1 引言 57
3.2 ESRGAN 57
3.3 基於ESRGAN的水下圖像超分辨率重建算法 60
3.3.1 生成器的結構 60
3.3.2 相對判別器的結構 63
3.3.4 損失函數的選擇 65
3.4 實驗與分析 66
3.4.1 實驗數據及訓練 66
3.4.2 實驗結果 67
3.5 本章小結 70
參考文獻 70
第4章 基於嵌套UNet的圖像分割算法 73
4.1 引言 73
4.2 捲積神經網絡的相關技術 74
4.3 全捲積網絡 75
4.4 UNet模型 78
4.5 裂縫圖像分割模型Att_Nested_UNet 79
4.5.1 相關研究 79
4.5.2 Att_Nested_UNet的工作原理 79
4.5.3 實驗及結果 83
4.6 本章小結 87
參考文獻 87
第5章 基於對抗遷移學習的水下大壩裂縫圖像分割算法 89
5.1 引言 89
5.2 相關工作 90
5.2.1 裂縫圖像分割 90
5.2.2 水下大壩裂縫圖像分割 91
5.2.3 遷移學習 91
5.3 本章算法 92
5.3.1 網絡模型 92
5.3.2 對抗遷移學習 94
5.3.3 損失函數 95
5.4 實驗與分析 96
5.4.1 數據集 96
5.4.2 訓練策略 97
5.4.3 實驗結果 97
5.4.4 評價指標 98
5.5 本章小結 100
參考文獻 100
第6章 基於改進Faster-RCNN的海洋生物檢測算法 105
6.1 引言 105
6.2 相關工作 105
6.3 本章算法 107
6.3.1 ResNet-BiFPN簡介 107
6.3.2 有效交並比 110
6.3.3 K-means++算法 112
6.4 實驗與分析 114
6.4.1 實驗配置及數據集 114
6.4.2 評價指標 114
6.4.3 實驗結果 115
6.5 本章小結 119
參考文獻 119

第7章 基於YOLOv4的目標檢測算法 123
7.1 引言 123
7.2 結合數據增強和改進YOLOv4的水下目標檢測算法 125
7.2.1 CBAM-CSPDarknet53 125
7.2.2 DetPANet 127
7.2.3 PredMix 128
7.3 實驗與分析 130
7.3.1 實驗配置及數據集 130
7.3.2 實驗結果 131
7.4 本章小結 135
參考文獻 135
第8章 基於RetinaNet的密集目標檢測算法 139
8.1 引言 139
8.2 本章算法 140
8.2.1 本章算法的主體框架 140
8.2.2 多維註意力模塊 142
8.2.3 弱化的非極大值抑制算法 144
8.2.4 損失函數 146
8.3 實驗與分析 147
8.3.1 實驗環境與數據集 147
8.3.2 實驗參數與評價指標 149
8.3.3 實驗過程與結果分析 150
8.4 本章小結 155
參考文獻 156
第9章 基於LSTM網絡的視頻圖像目標實時檢測算法 159
9.1 引言 159
9.2 長短時記憶網絡和記憶引導網絡 160
9.2.1 長短時記憶網絡 160
9.2.2 記憶引導網絡 162
9.3 交叉檢測框架 165
9.3.1 交叉檢測框架的思路 165
9.3.2 交叉檢測框架的選擇 166
9.4 模型訓練和實驗分析 167
9.4.1 模型訓練策略 167
9.4.2 實驗分析 168
9.5 本章小結 174
參考文獻 174
第10章 基於改進YOLOv4的嵌入式變電站儀表檢測算法 177
10.1 引言 177
10.2 本章算法 179
10.2.1 YOLOv4簡介 179
10.2.2 對YOLOv4的改進 180
10.3 實驗與分析 183
10.3.1 數據集與實驗平臺 183
10.3.2 數據集與實驗平臺 184
10.3.3 計算量與模型參數對比 185
10.3.4 檢測速度和檢測精度的對比 186
10.4 本章小結 188
參考文獻 189

類似商品

最後瀏覽商品 (14)