機器視覺檢測與識別技術(shù)及應(yīng)用：基于深度學(xué)習(xí)

第1章 機器視覺概述
1.1 機器視覺的基本概念 002
1.2 機器視覺的發(fā)展歷程 005
1.3 機器視覺的發(fā)展趨勢 008
1.4 機器視覺的應(yīng)用領(lǐng)域 011
第2章 深度學(xué)習(xí)基礎(chǔ)知識
2.1 基本概念與理論 018
2.2 基本思想 022
2.3 深度學(xué)習(xí)常用的方法 022
第3章 深度學(xué)習(xí)與機器視覺
3.1 深度學(xué)習(xí)應(yīng)用于機器視覺 028
3.2 深度學(xué)習(xí)應(yīng)用于機器視覺的例子 030
3.2.1 基于深度學(xué)習(xí)的機器視覺在谷歌中的應(yīng)用 030
3.2.2 基于深度學(xué)習(xí)的機器視覺在百度中的應(yīng)用 030
3.2.3 基于深度學(xué)習(xí)的機器視覺在醫(yī)療中的應(yīng)用 032
3.2.4 基于深度學(xué)習(xí)的機器視覺在安防中的應(yīng)用 033
3.2.5 基于深度學(xué)習(xí)的機器視覺在攝影攝像中的應(yīng)用 033
3.3 機器視覺的關(guān)鍵深度學(xué)習(xí)方法和應(yīng)用 034
第4章 圖像分類與參數(shù)學(xué)習(xí)
4.1 圖像分類基礎(chǔ) 042
4.2 線性分類器 044
4.3 損失函數(shù) 047
4.3.1 損失函數(shù)的作用 047
4.3.2 常見的損失函數(shù) 048
第5章 Transformer
5.1 Transformer背景 052
5.1.1 Transformer簡介 052
5.1.2 傳統(tǒng)序列模型的局限性 053
5.2 Transformer模型 054
5.2.1 Transformer基本框架 054
5.2.2 輸入部分 054
5.2.3 編碼器結(jié)構(gòu) 057
5.2.4 解碼器結(jié)構(gòu) 059
5.3 Transformer在機器視覺中的應(yīng)用 060
5.3.1 Detection Transformer（DETR） 060
5.3.2 Unsupervised Pre-training for Object Detection with Transformers（UP-DETR） 062
5.3.3 Deformable DETR 062
第6章 基于深度學(xué)習(xí)的目標(biāo)檢測
6.1 目標(biāo)檢測技術(shù) 066
6.1.1 目標(biāo)檢測概念 066
6.1.2 目標(biāo)檢測評價指標(biāo) 067
6.1.3 目標(biāo)檢測數(shù)據(jù)集 070
6.2 目標(biāo)檢測方法 071
6.2.1 傳統(tǒng)目標(biāo)檢測算法 071
6.2.2 基于深度學(xué)習(xí)目標(biāo)檢測算法 073
6.3 基于區(qū)域的兩階段目標(biāo)檢測方法 076
6.3.1 R-CNN 076
6.3.2 SPP-Net 080
6.3.3 Fast R-CNN 083
6.3.4 Faster R-CNN 086
6.4 基于區(qū)域的單階段目標(biāo)檢測方法 091
6.4.1 SSD 092
6.4.2 YOLO v3 095
6.4.3 RetinaNet 098
6.5 基于深度學(xué)習(xí)的目標(biāo)檢測算法應(yīng)用場景 102
6.5.1 農(nóng)業(yè)領(lǐng)域應(yīng)用——害蟲檢測 102
6.5.2 航天領(lǐng)域應(yīng)用——遙感監(jiān)測 103
6.5.3 交通領(lǐng)域應(yīng)用——車輛檢測 103
第7章 目標(biāo)識別
7.1 目標(biāo)識別技術(shù) 108
7.1.1 目標(biāo)識別概念 108
7.1.2 目標(biāo)識別評價指標(biāo) 108
7.2 目標(biāo)識別方法 109
7.2.1 傳統(tǒng)目標(biāo)識別方法 109
7.2.2 深度學(xué)習(xí)目標(biāo)識別方法 112
第8章 深度學(xué)習(xí)中的目標(biāo)識別
8.1 圖像識別模型介紹 114
8.2 圖像識別模型改進算法 118
8.2.1 小加權(quán)隨機搜索算法 118
8.2.2 E-S判斷方法 121
8.2.3 構(gòu)造小型卷積神經(jīng)網(wǎng)絡(luò) 122
8.2.4 殘差網(wǎng)絡(luò)模型 124
8.2.5 融入注意力機制的殘差網(wǎng)絡(luò)識別算法 126
8.3 基于深度學(xué)習(xí)的目標(biāo)識別算法應(yīng)用場景 129
8.3.1 生物信息領(lǐng)域應(yīng)用——人臉識別 129
8.3.2 軍事領(lǐng)域應(yīng)用——雷達(dá)探測 134
8.3.3 工業(yè)領(lǐng)域應(yīng)用——水下作業(yè) 134
第9章 前列腺腫瘤檢測
9.1 前列腺圖像復(fù)原、重建與合成 143
9.1.1 醫(yī)學(xué)圖像復(fù)原與重建 143
9.1.2 前列腺圖像合成 145
9.2 醫(yī)學(xué)圖像配準(zhǔn)與分割 147
9.2.1 醫(yī)學(xué)圖像配準(zhǔn) 147
9.2.2 醫(yī)學(xué)圖像分割 148
第10章 目標(biāo)檢測與識別技術(shù)在醫(yī)療領(lǐng)域中的應(yīng)用
10.1 醫(yī)學(xué)圖像處理技術(shù)及應(yīng)用價值 152
10.1.1 醫(yī)學(xué)圖像的類型 152
10.1.2 醫(yī)學(xué)圖像的格式 155
10.1.3 目標(biāo)檢測與識別技術(shù)在醫(yī)療領(lǐng)域的應(yīng)用價值 157
10.2 影像圖像的疾病診斷與病灶分型 158
10.2.1 典型的疾病診斷網(wǎng)絡(luò) 159
10.2.2 影像的疾病診斷應(yīng)用 165
10.3 影像圖像的組織器官分割技術(shù) 176
10.3.1 通用分割網(wǎng)絡(luò) 177
10.3.2 專用分割技術(shù) 189
10.4 公開數(shù)據(jù)集 203
10.4.1 影像診斷 203
10.4.2 器官分割 207
10.4.3 病理分析與生物信息 209
10.4.4 競賽單元/通用數(shù)據(jù)集 210
第11章  生菜識別及性狀分析
11.1 背景介紹 218
11.2 定義問題 219
11.3 數(shù)據(jù)分析 220
11.3.1 數(shù)據(jù)內(nèi)容及結(jié)構(gòu) 220
11.3.2 數(shù)據(jù)相關(guān)性分析 222
11.4 數(shù)據(jù)處理 226
11.4.1 數(shù)據(jù)加載及預(yù)處理 226
11.4.2 數(shù)據(jù)增強 228
11.4.3 標(biāo)簽加載 229
11.5 模型搭建 230
11.5.1 三階段多分支自校正網(wǎng)絡(luò)設(shè)計思路 230
11.5.2 主模型 233
11.5.3 輔助模型 237
11.6 模型訓(xùn)練 241
11.6.1 訓(xùn)練參數(shù)設(shè)置 241
11.6.2 訓(xùn)練曲線及結(jié)果分析 243
11.7 模型評估 247
11.7.1 評估指標(biāo) 247
11.7.2 評估結(jié)果 248
11.8 模型討論 254
11.8.1 深度圖像的數(shù)據(jù)處理方法討論 254
11.8.2 輔助模型的設(shè)計及選擇 256
11.8.3 高通量情形下的生菜性狀估計思路設(shè)計 258