基于深度学习的目标检测与识别技术

第1章深度学习神经网络类型/001

1.1深度学习简介001

1.2主要深度学习网络原理004

1.2.1堆叠自编码器005

1.2.2卷积神经网络006

1.2.3深度信念网络008

1.2.4递归神经网络009

1.2.5生成对抗网络011

1.3深度学习实际应用014

1.3.1目标检测与识别014

1.3.2语音识别016

1.3.3文本识别017

1.4深度学习面临挑战018

1.4.1理论挑战018

1.4.2工程挑战020

参考文献021

第2章基于深度学习的目标检测技术/025

2.1目标检测技术025

2.1.1目标检测概念025

2.1.2目标检测评价指标027

2.1.3目标检测数据集029

2.2目标检测方法030

2.2.1传统目标检测方法031

2.2.2深度学习目标检测方法033

2.3基于区域的两阶段检测器035

2.3.1R-CNN035

2.3.2SPPNet037

2.3.3Fast R-CNN038

2.3.4Faster R-CNN039

2.3.5FPN042

2.4基于区域的单阶段检测器042

2.4.1YOLO检测器042

2.4.2其他检测器048

2.5深度学习目标检测开源框架050

2.5.1TensorFlow框架050

2.5.2PyTorch框架051

2.5.3PaddlePaddle框架052

参考文献053

第3章基于Faster R-CNN的目标检测技术/055

3.1Faster R-CNN算法056

3.2基于Faster R-CNN的目标检测改进算法060

3.2.1特征提取层优化060

3.2.2候选区域生成改进063

3.2.3双线性插值的ROI归一化064

3.2.4确定超参数065

3.2.5优化算法参数选择067

3.2.6网络参数调整策略069

3.3实验结果及分析078

参考文献078

第4章基于领域自适应的目标检测技术/079

4.1领域自适应概述079

4.1.1领域自适应与领域泛化080

4.1.2相关概念数学描述083

4.1.3深度领域自适应方法分类085

4.1.4领域自适应的不同形式087

4.2领域自适应技术089

4.2.1无监督单源域单目标域自适应技术089

4.2.2无监督多目标域自适应技术091

4.3领域自适应的目标检测技术094

4.3.1基于领域渐进策略的目标检测技术095

4.3.2基于Faster R-CNN的领域自适应目标检测技术099

参考文献104

第5章基于深度学习的图像识别技术/106

5.1图像识别模型介绍106

5.2图像识别模型改进算法109

5.2.1最小加权随机搜索算法109

5.2.2E-S判断方法112

5.2.3构建小型卷积神经网络113

5.2.4改进算法的执行过程114

5.3基于改进算法的三种改进模型117

5.4实验结果及分析121

5.5融入注意力机制的残差网络面部表情识别方法129

5.5.1注意力机制130

5.5.2残差网络134

5.5.3面部表情识别136

5.5.4融入注意力的残差网络人脸表情识别方法138

5.5.5实现过程145

5.5.6结论146

参考文献149

第6章结论与展望/152

6.1结论152

6.2发展趋势153

6.3目标检测应用面临的挑战155

参考文献158