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