深度學(xué)習(xí)之圖像目標(biāo)檢測與識別方法

目 錄
第0章 緒論 1
0.1 研究背景及意義 1
0.2 國內(nèi)外研究現(xiàn)狀 2
0.2.1 水下圖像質(zhì)量提升方法 2
0.2.2 基于深度學(xué)習(xí)的目標(biāo)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(nèi)容及章節(jié)安排如下 9
參考文獻(xiàn) 12
第1章 基于UNet的圖像去霧算法 19
1.1 引言 19
1.2 本章算法 21
1.2.1 特征提取層 21
1.2.2 網(wǎng)絡(luò)結(jié)構(gòu) 21
1.2.3 損失函數(shù) 25
1.3 實(shí)驗(yàn)與分析 26
1.3.1 實(shí)驗(yàn)環(huán)境 26
1.3.2 實(shí)驗(yàn)數(shù)據(jù)集 26
1.3.3 評價(jià)指標(biāo) 26
1.3.4 參數(shù)設(shè)置 27
1.3.5 實(shí)驗(yàn)結(jié)果 27
1.3.6 運(yùn)行時間對比 31
1.4 本章小結(jié) 31
參考文獻(xiàn) 31
第2章 基于特征融合GAN的圖像增強(qiáng)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(shù)學(xué)模型 36
2.3 基于特征融合GAN的圖像增強(qiáng)算法 37
2.3.1 顏色校正 37
2.3.2 生成器的結(jié)構(gòu) 41
2.3.3 判別器的結(jié)構(gòu) 43
2.3.4 損失函數(shù)的選擇 43
2.4 實(shí)驗(yàn)與分析 45
2.4.1 實(shí)驗(yàn)數(shù)據(jù)及訓(xùn)練 45
2.4.2 實(shí)驗(yàn)結(jié)果 47
2.4.3 消融實(shí)驗(yàn) 50
2.5 本章小結(jié) 52
參考文獻(xiàn) 53
第3章 基于ESRGAN的圖像超分辨率重建算法 57
3.1 引言 57
3.2 ESRGAN 57
3.3 基于ESRGAN的水下圖像超分辨率重建算法 60
3.3.1 生成器的結(jié)構(gòu) 60
3.3.2 相對判別器的結(jié)構(gòu) 63
3.3.4 損失函數(shù)的選擇 65
3.4 實(shí)驗(yàn)與分析 66
3.4.1 實(shí)驗(yàn)數(shù)據(jù)及訓(xùn)練 66
3.4.2 實(shí)驗(yàn)結(jié)果 67
3.5 本章小結(jié) 70
參考文獻(xiàn) 70
第4章 基于嵌套UNet的圖像分割算法 73
4.1 引言 73
4.2 卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)技術(shù) 74
4.3 全卷積網(wǎng)絡(luò) 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(guān)研究 79
4.5.2 Att_Nested_UNet的工作原理 79
4.5.3 實(shí)驗(yàn)及結(jié)果 83
4.6 本章小結(jié) 87
參考文獻(xiàn) 87
第5章 基于對抗遷移學(xué)習(xí)的水下大壩裂縫圖像分割算法 89
5.1 引言 89
5.2 相關(guān)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(xué)習(xí) 91
5.3 本章算法 92
5.3.1 網(wǎng)絡(luò)模型 92
5.3.2 對抗遷移學(xué)習(xí) 94
5.3.3 損失函數(shù) 95
5.4 實(shí)驗(yàn)與分析 96
5.4.1 數(shù)據(jù)集 96
5.4.2 訓(xùn)練策略 97
5.4.3 實(shí)驗(yàn)結(jié)果 97
5.4.4 評價(jià)指標(biāo) 98
5.5 本章小結(jié) 100
參考文獻(xiàn) 100
第6章 基于改進(jìn)Faster-RCNN的海洋生物檢測算法 105
6.1 引言 105
6.2 相關(guān)工作 105
6.3 本章算法 107
6.3.1 ResNet-BiFPN簡介 107
6.3.2 有效交并比 110
6.3.3 K-means++算法 112
6.4 實(shí)驗(yàn)與分析 114
6.4.1 實(shí)驗(yàn)配置及數(shù)據(jù)集 114
6.4.2 評價(jià)指標(biāo) 114
6.4.3 實(shí)驗(yàn)結(jié)果 115
6.5 本章小結(jié) 119
參考文獻(xiàn) 119

第7章 基于YOLOv4的目標(biāo)檢測算法 123
7.1 引言 123
7.2 結(jié)合數(shù)據(jù)增強(qiáng)和改進(jìn)YOLOv4的水下目標(biāo)檢測算法 125
7.2.1 CBAM-CSPDarknet53 125
7.2.2 DetPANet 127
7.2.3 PredMix 128
7.3 實(shí)驗(yàn)與分析 130
7.3.1 實(shí)驗(yàn)配置及數(shù)據(jù)集 130
7.3.2 實(shí)驗(yàn)結(jié)果 131
7.4 本章小結(jié) 135
參考文獻(xiàn) 135
第8章 基于RetinaNet的密集目標(biāo)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 多維注意力模塊 142
8.2.3 弱化的非極大值抑制算法 144
8.2.4 損失函數(shù) 146
8.3 實(shí)驗(yàn)與分析 147
8.3.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集 147
8.3.2 實(shí)驗(yàn)參數(shù)與評價(jià)指標(biāo) 149
8.3.3 實(shí)驗(yàn)過程與結(jié)果分析 150
8.4 本章小結(jié) 155
參考文獻(xiàn) 156
第9章 基于LSTM網(wǎng)絡(luò)的視頻圖像目標(biāo)實(shí)時檢測算法 159
9.1 引言 159
9.2 長短時記憶網(wǎng)絡(luò)和記憶引導(dǎo)網(wǎng)絡(luò) 160
9.2.1 長短時記憶網(wǎng)絡(luò) 160
9.2.2 記憶引導(dǎo)網(wǎng)絡(luò) 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(xùn)練和實(shí)驗(yàn)分析 167
9.4.1 模型訓(xùn)練策略 167
9.4.2 實(shí)驗(yàn)分析 168
9.5 本章小結(jié) 174
參考文獻(xiàn) 174
第10章 基于改進(jìn)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(jìn) 180
10.3 實(shí)驗(yàn)與分析 183
10.3.1 數(shù)據(jù)集與實(shí)驗(yàn)平臺 183
10.3.2 數(shù)據(jù)集與實(shí)驗(yàn)平臺 184
10.3.3 計(jì)算量與模型參數(shù)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(jié) 188
參考文獻(xiàn) 189