深度學(xué)習(xí)與目標(biāo)檢測（第2版）

第1章　深度學(xué)習(xí)概述 2
1.1　深度學(xué)習(xí)發(fā)展簡史 2
1.2　有監(jiān)督學(xué)習(xí) 4
1.2.1　圖像分類 4
1.2.2　目標(biāo)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(xué)習(xí) 17
1.3.1　無監(jiān)督學(xué)習(xí)概述 18
1.3.2　雙向生成對抗網(wǎng)絡(luò) 18
1.4　強(qiáng)化學(xué)習(xí) 21
1.4.1　AlphaGo 22
1.4.2　AlphaGo Zero 24
1.5　小結(jié) 25
參考資料 25
第2章　深度神經(jīng)網(wǎng)絡(luò) 28
2.1　神經(jīng)元 28
2.2　感知機(jī) 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(shù) 34
2.3.3　損失函數(shù) 38
2.4　后向傳遞 41
2.4.1　后向傳遞的流程 41
2.4.2　梯度下降 41
2.4.3　參數(shù)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(jié) 47
第3章　卷積神經(jīng)網(wǎng)絡(luò) 48
3.1　卷積層 49
3.1.1　valid卷積 49
3.1.2　full卷積 51
3.1.3　same卷積 52
3.2　池化層 53
3.3　反卷積 54
3.4　感受野 56
3.5　卷積神經(jīng)網(wǎng)絡(luò)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(jié) 79
進(jìn) 階 篇
第4章　兩階段目標(biāo)檢測方法 82
4.1　R-CNN 82
4.1.1　算法流程 82
4.1.2　訓(xùn)練過程 83
4.2　SPP-Net 87
4.2.1　網(wǎng)絡(luò)結(jié)構(gòu) 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(qū)域池化層 90
4.3.2　網(wǎng)絡(luò)結(jié)構(gòu) 91
4.3.3　全連接層計算加速 92
4.3.4　目標(biāo)分類 93
4.3.5　邊界框回歸 94
4.3.6　訓(xùn)練過程 95
4.4　Faster R-CNN 99
4.4.1　網(wǎng)絡(luò)結(jié)構(gòu) 100
4.4.2　RPN 101
4.4.3　訓(xùn)練過程 107
4.5　R-FCN 109
4.5.1　R-FCN網(wǎng)絡(luò)結(jié)構(gòu) 110
4.5.2　位置敏感的分?jǐn)?shù)圖 111
4.5.3　位置敏感的RoI池化 111
4.5.4　R-FCN損失函數(shù) 113
4.5.5　Caffe網(wǎng)絡(luò)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(shù)據(jù)集的像素級標(biāo)注 121
4.6.3　網(wǎng)絡(luò)結(jié)構(gòu) 121
4.7　小結(jié) 125
參考資料 125
第5章　單階段目標(biāo)檢測方法 126
5.1　SSD 126
5.1.1　default box 126
5.1.2　網(wǎng)絡(luò)結(jié)構(gòu) 127
5.1.3　Caffe網(wǎng)絡(luò)模型解析 128
5.1.4　訓(xùn)練過程 137
5.2　RetinaNet 138
5.2.1　FPN 139
5.2.2　聚焦損失函數(shù) 140
5.3　RefineDet 142
5.3.1　網(wǎng)絡(luò)模型 142
5.3.2　Caffe網(wǎng)絡(luò)模型解析 144
5.3.3　訓(xùn)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(biāo)檢測算法應(yīng)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(jié) 163
參考資料 164
應(yīng) 用 篇
第6章　肋骨骨折檢測 166
6.1　國內(nèi)外研究現(xiàn)狀 166
6.2　解決方案 168
6.3　預(yù)處理 168
6.4　肋骨骨折檢測 169
6.5　實驗結(jié)果分析 170
6.6　小結(jié) 172
參考資料 172
第7章　肺結(jié)節(jié)檢測 174
7.1　國內(nèi)外研究現(xiàn)狀 174
7.2　總體框架 176
7.2.1　肺結(jié)節(jié)數(shù)據(jù)集 176
7.2.2　肺結(jié)節(jié)檢測難點 177
7.2.3　算法框架 177
7.3　肺結(jié)節(jié)可疑位置推薦算法 178
7.3.1　CT圖像的預(yù)處理 179
7.3.2　肺結(jié)節(jié)分割算法 180
7.3.3　優(yōu)化方法 182
7.3.4　推斷方法 184
7.4　可疑肺結(jié)節(jié)定位算法 185
7.5　實驗結(jié)果與分析（1） 186
7.5.1　實驗結(jié)果 186
7.5.2　改進(jìn)點效果分析 186
7.6　假陽性肺結(jié)節(jié)抑制算法 188
7.6.1　假陽性肺結(jié)節(jié)抑制網(wǎng)絡(luò) 188
7.6.2　優(yōu)化策略 192
7.6.3　推斷策略 194
7.7　實驗結(jié)果與分析（2） 194
7.7.1　實驗結(jié)果 194
7.7.2　改進(jìn)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(jié) 197
參考資料 197
第8章　車道線檢測 199
8.1　國內(nèi)外研究現(xiàn)狀 199
8.2　主要研究內(nèi)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(tǒng)的設(shè)計與實現(xiàn) 205
8.3.1　車道線圖像數(shù)據(jù)標(biāo)注與篩選 206
8.3.2　車道線圖片預(yù)處理 207
8.3.3　車道線分割模型訓(xùn)練 211
8.3.4　車道線檢測 220
8.3.5　車道線檢測結(jié)果 224
8.4　車道線檢測系統(tǒng)性能測試 224
8.4.1　車道線檢測質(zhì)量測試 224
8.4.2　車道線檢測時間測試 226
8.5　小結(jié) 226
參考資料 227
第9章　交通視頻分析 228
9.1　國內(nèi)外研究現(xiàn)狀 229
9.2　主要研究內(nèi)容 230
9.2.1　總體設(shè)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(shè)計詳解 234
9.3.3　車輛品牌及顏色的識別 242
9.3.4　目標(biāo)跟蹤設(shè)計詳解 243
9.4　系統(tǒng)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(biāo)跟蹤 257
9.5　小結(jié) 258
參考資料 258
第10章　道路坑洞檢測 260
10.1　系統(tǒng)流程 260
10.2　道路坑洞圖像生成 262
10.2.1　坑洞生成網(wǎng)絡(luò) 262
10.2.2　遮罩生成方法 263
10.2.3　圖像融合 264
10.2.4　基于增廣訓(xùn)練集的目標(biāo)檢測 265
10.3　實驗與分析 266
10.3.1　影響因素 267
10.3.2　數(shù)據(jù)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(biāo)檢測 273
10.4　小結(jié) 274
參考資料 274