深度學習與目標檢測

基礎篇

第1章 深度學習概述  2

1.1 深度學習發(fā)展簡史  2

1.2 有監(jiān)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(jiān)督學習  18

1.3.1 無監(jiān)督學習概述  18

1.3.2 生成對抗網絡  18

1.4 強化學習  21

1.4.1 AlphaGo  21

1.4.2 AlphaGo Zero  23

1.5 小結  25

參考文獻  25

第2章 深度神經網絡  27

2.1 神經元  27

2.2 感知機  30

2.3 前向傳遞  32

2.3.1 前向傳遞的流程  32

2.3.2 激活函數(shù)  33

2.3.3 損失函數(shù)  37

2.4 后向傳遞  40

2.4.1 后向傳遞的流程  40

2.4.2 梯度下降  40

2.4.3 參數(shù)修正  42

2.5 防止過擬合  44

2.5.1 dropout  44

2.5.2 正則化  45

2.6 小結  46

第3章 卷積神經網絡  47

3.1 卷積層  48

3.1.1 valid 卷積  48

3.1.2 full 卷積  50

3.1.3 same 卷積  51

3.2 池化層  52

3.3 反卷積  53

3.4 感受野  55

3.5 卷積網絡實例  56

3.5.1 Lenet-5  56

3.5.2 AlexNet  59

3.5.3 VGGNet  62

3.5.4 GoogLeNet  64

3.5.5 ResNet  72

3.5.6 MobileNet  73

3.6 小結  76

進階篇

第4章 兩階段目標檢測方法  78

4.1 R-CNN  78

4.1.1 算法流程  79

4.1.2 訓練過程  80

4.2 SPP-Net  83

4.2.1 網絡結構  84

4.2.2 空間金字塔池化  84

4.3 Fast R-CNN  86

4.3.1 感興趣區(qū)域池化層  86

4.3.2 網絡結構  88

4.3.3 全連接層計算加速  89

4.3.4 目標分類  90

4.3.5 邊界框回歸  91

4.3.6 訓練過程  93

4.4 Faster R-CNN  96

4.4.1 網絡結構  97

4.4.2 RPN  98

4.4.3 訓練過程  104

4.5 R-FCN  106

4.5.1 R-FCN 網絡結構  107

4.5.2 位置敏感的分數(shù)圖  108

4.5.3 位置敏感的RoI 池化  109

4.5.4 R-FCN 損失函數(shù)  110

4.5.5 Caffe 網絡模型解析  111

4.6 Mask R-CNN  115

4.6.1 實例分割簡介  115

4.6.2 COCO 數(shù)據集的像素級標注  116

4.6.3 網絡結構  117

4.6.4 U-Net  121

4.6.5 SegNet  122

4.7 小結  123

第5章 單階段目標檢測方法  124

5.1 SSD  124

5.1.1 default box  125

5.1.2 網絡結構  125

5.1.3 Caffe 網絡模型解析  126

5.1.4 訓練過程  134

5.2 RetinaNet  136

5.2.1 FPN  136

5.2.2 聚焦損失函數(shù)  138

5.3 RefineDet  139

5.3.1 網絡模型  140

5.3.2 Caffe 網絡模型解析  142

5.3.3 訓練過程  151

5.4 YOLO  152

5.4.1 YOLO v1  152

5.4.2 YOLO v2  155

5.4.3 YOLO v3  157

5.5 目標檢測算法應用  159

5.5.1 高速公路坑洞檢測  159

5.5.2 息肉檢測  160

5.6 小結  162

應用篇

第6章 肋骨骨折檢測  164

6.1 國內外研究現(xiàn)狀  165

6.2 解決方案  166

6.3 預處理  166

6.4 肋骨骨折檢測  167

6.5 實驗結果分析  168

6.6 小結  170

參考文獻  171

第7章 肺結節(jié)檢測  172

7.1 國內外研究現(xiàn)狀  172

7.1.1 肺結節(jié)可疑位置推薦算法  173

7.1.2 假陽性肺結節(jié)抑制算法  173

7.2 總體框架  174

7.2.1 肺結節(jié)數(shù)據集  174

7.2.2 肺結節(jié)檢測難點  175

7.2.3 算法框架  175

7.3 肺結節(jié)可疑位置推薦算法  176

7.3.1 CT圖像的預處理  177

7.3.2 肺結節(jié)分割算法  178

7.3.3 優(yōu)化方法  180

7.3.4 推斷方法  182

7.4 可疑肺結節(jié)定位算法  183

7.5 實驗結果與分析  184

7.5.1 實驗結果  184

7.5.2 改進點效果分析  184

7.6 假陽性肺結節(jié)抑制算法  186

7.6.1 假陽性肺結節(jié)抑制網絡  186

7.6.2 優(yōu)化策略  190

7.6.3 推斷策略  192

7.7 實驗結果與分析  192

7.7.1 實驗結果  193

7.7.2 改進點效果分析  193

7.7.3 可疑位置推薦與假陽抑制算法整合  194

7.8 小結  195

參考文獻  195

第8章 車道線檢測  198

8.1 國內外研究現(xiàn)狀  198

8.2 主要研究內容  200

8.2.1 總體解決方案  200

8.2.2 各階段概述  201

8.3 車道線檢測系統(tǒng)的設計與實現(xiàn)  204

8.3.1 車道線圖像數(shù)據標注與篩選  205

8.3.2 車道線圖片預處理  206

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(tǒng)的性能測試  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  227

參考文獻  227

第9章 交通視頻分析  229

9.1 國內外研究現(xiàn)狀  230

9.2 主要研究內容  231

9.2.1 總體設計  231

9.2.2 精度和性能要求  232

9.3 交通視頻分析  232

9.3.1 車輛檢測和車牌檢測  233

9.3.2 車牌識別功能設計詳解  235

9.3.3 車輛品牌及顏色的識別  243

9.3.4 目標跟蹤設計詳解  244

9.4 系統(tǒng)測試  247

9.4.1 車輛檢測  248

9.4.2 車牌檢測  251

9.4.3 車牌識別  253

9.4.4 車輛品牌識別  256

9.4.5 目標跟蹤  259

9.5 小結  259

參考文獻  260