计算机视觉中的深度学习

目 录
第1章 计算机视觉及其任务\t1
1．1 计算机视觉的定义\t1
1．2 计算机视觉的发展沿革\t1
1．3 计算机视觉的主要任务及其应用\t2
1．3．1 图像恢复\t2
1．3．2 图像识别\t3
1．3．3 动作分析\t4
1．3．4 场景重建\t5
1．3．5 行人再识别\t6
1．4 本章小结\t7
本章参考文献\t7
第2章 手工特征\t8
2．1 初级图像特征\t8
2．1．1 颜色特征\t8
2．1．2 纹理特征\t11
2．1．3 形状特征\t12
2．2 中级图像特征\t13
2．2．1 Haar-like特征\t14
2．2．2 SIFT特征\t16
2．2．3 SURF特征\t19
2．3 本章小结\t21
本章参考文献\t21
第3章 神经网络基础理论\t23
3．1 神经元概述\t23
3．1．1 感知器\t23
3．1．2 激活函数\t24
3．1．3 神经元模型\t28
3．2 神经网络基础结构\t28
3．2．1 两层神经网络模型\t28
3．2．2 前馈神经网络和循环神经网络\t29
3．2．3 神经网络中的参数\t30
3．3 神经网络训练\t31
3．3．1 权重初始化\t31
3．3．2 偏置初始化\t32
3．3．3 前向传播\t32
3．3．4 损失函数\t32
3．3．5 反向传播\t33
3．3．6 参数更新\t35
3．3．7 批归一化\t37
3．3．8 正则化\t38
3．4 常见的神经元模型\t40
3．4．1 空间信息处理单元\t40
3．4．2 时间信息处理单元\t41
3．5 本章小结\t43
本章参考文献\t44
第4章 神经网络结构\t46
4．1 LENET5\t46
4．2 ALEXNET\t48
4．3 VGGNET\t50
4．4 INCEPTION\t53
4．5 RESNET\t55
4．6 DENSENET\t57
4．7 MOBILENET\t60
4．8 FCN\t63
4．9 本章小结\t71
本章参考文献\t71
第5章 目标分割\t73
5．1 目标分割技术概述\t73
5．1．1 目标分割技术基本理论与模型\t73
5．1．2 目标分割技术概述\t74
5．1．3 评价标准\t77
5．2 基于深度学习多路径特征融合的图像语义分割\t79
5．2．1 特点\t79
5．2．2 基于VGGNet的多路径特征融合算法\t80
5．2．3 基于ResNet的多路径特征融合算法\t85
5．3 基于模糊逻辑的多特征视频运动目标分割\t88
5．3．1 特点\t88
5．3．2 算法\t88
5．3．3 实验\t96
5．4 目标分割未来趋势\t98
本章参考文献\t99
第6章 目标检测\t102
6．1 目标检测算法概述\t102
6．1．1 算法概述\t102
6．1．2 评价指标\t104
6．2 传统目标检测方法\t106
6．2．1 区域选择算法\t106
6．2．2 典型人工图像特征\t106
6．2．3 分类器类型及训练\t106
6．3 基于候选区域的目标检测方法\t110
6．3．1 R-CNN的实现\t110
6．3．2 SPP-net的实现\t111
6．3．3 Fast R-CNN的实现\t112
6．3．4 Faster R-CNN的实现\t113
6．4 基于回归的目标检测\t115
6．4．1 YOLO的实现\t115
6．4．2 SSD的实现\t117
6．4．3 YOLOv2的改进\t119
6．5 改进算法拾萃\t122
6．5．1 困难样本挖掘\t122
6．5．2 YOLOv2损失函数\t123
6．5．3 基于上下文信息的SSD改进\t124
6．5．4 多特征多尺度融合\t126
6．6 目标检测未来趋势\t129
本章参考文献\t130
第7章 目标跟踪\t132
7．1 目标跟踪技术概述\t132
7．1．1 目标跟踪算法基本理论与模型\t132
7．1．2 目标跟踪算法概述\t133
7．1．3 评价标准\t135
7．2 平衡正负样本权重的多示例学习跟踪算法\t136
7．2．1 MIL跟踪算法\t136
7．2．2 平衡正负样本权重\t138
7．3 基于核化相关滤波器的视觉目标跟踪算法研究与改进\t143
7．3．1 基于相关滤波器的目标跟踪算法\t143
7．3．2 自适应模板更新的目标跟踪算法\t150
7．3．3 CNN和相关滤波结合的跟踪算法\t158
7．4 基于中心对比CNN的目标跟踪算法研究\t169
7．4．1 逐任务驱动的CNN目标跟踪算法\t169
7．4．2 中心对比CNN目标跟踪算法\t170
7．4．3 小运动优先的视觉目标跟踪算法\t175
7．5 目标跟踪未来趋势\t180
本章参考文献\t180
第8章 行人再识别\t183
8．1 行人再识别技术概述\t183
8．1．1 行人再识别技术基本理论与模型\t183
8．1．2 行人再识别技术简介\t184
8．1．3 评价标准\t186
8．2 基于ADARANK进行特征集成的行人再识别算法\t188
8．2．1 算法特点\t188
8．2．2 算法细节\t188
8．2．3 实验结果\t200
8．3 基于增强深度特征的行人再识别算法\t206
8．3．1 算法特点\t206
8．3．2 引入注意力机制的网络模型\t207
8．3．3 引入手工特征：LOMO特征融合到多级注意力识别―验证网络\t215
8．4 基于属性和身份特征融合的行人再识别算法\t221
8．4．1 特点\t221
8．4．2 算法\t222
8．4．3 实验\t230
8．5 行人再识别未来趋势\t236
本章参考文献\t237
第9章 图像压缩\t242
9．1 有损压缩和无损压缩\t242
9．1．1 无损压缩\t242
9．1．2 有损压缩\t243
9．2 经典的有损图像压缩方法\t243
9．2．1 JPEG\t243
9．2．2 JPEG 2000\t243
9．2．3 BPG\t244
9．3 基于深度学习的图像压缩技术\t244
9．4 基于空间能量压缩的图像压缩\t244
9．4．1 算法特点\t244
9．4．2 算法细节\t245
9．4．3 实验结果\t249
9．5 利用卷积神经网络进行内容加权的图像压缩\t249
9．5．1 算法特点\t249
9．5．2 算法细节\t250
9．5．3 实验结果\t254
9．6 基于生成式对抗网络的图像压缩\t255
9．6．1 算法特点\t255
9．6．2 算法细节\t255
9．6．3 实验结果\t257
9．7 图像压缩未来趋势\t257
本章参考文献\t258
第10章 超分辨率重建\t259
10．1 超分辨率技术概述\t259
10．1．1 超分辨率技术的基本理论与模型\t259
10．1．2 超分辨率技术概述\t261
10．2 基于深度残差网络注意力机制的图像超分辨率重建\t263
10．2．1 存在的问题\t263
10．2．2 提出的解决方案\t264
10．2．3 具体实现细节\t264
10．2．4 实验结果比较分析\t267
10．3 基于增强的可变形卷积网络的视频超分辨率\t271
10．3．1 视频超分辨率\t271
10．3．2 存在的问题\t272
10．3．3 针对存在的问题提出的解决方案\t272
10．3．4 具体实现\t274
10．3．5 实验对比\t277
10．4 真实原始传感器数据的超分辨率重建\t278
10．4．1 存在的问题\t278
10．4．2 针对问题提出的解决方案\t279
10．4．3 具体实现细节\t279
10．4．4 实验对比\t281
10．5 超分辨率重建未来趋势\t283
本章参考文献\t284
第11章 图像去噪技术\t287
11．1 图像去噪技术概述\t287
11．1．1 图像去噪基本理论与模型\t287
11．1．2 图像去噪算法\t287
11．1．3 评价标准\t292
11．2 去噪卷积神经网络\t293
11．2．1 算法特点\t293
11．2．2 存在问题\t294
11．2．3 算法细节\t294
11．2．4 实验结果\t295
11．3 盲去噪卷积神经网络\t299
11．3．1 算法特点\t299
11．3．2 存在问题\t299
11．3．3 算法细节\t299
11．3．4 实验\t302
11．4 真实图像去噪神经网络\t307
11．4．1 特点\t307
11．4．2 存在问题\t307
11．4．3 算法细节\t307
11．4．4 实验\t310
11．4．5 总结\t312
11．5 图像去噪未来趋势\t312
本章参考文献\t312
附录A 术语与缩略词表\t313