第1章 目标检测技术及其发展
1.1 数字图像处理与深度学习 2
1.1.1 数字图像处理的基础知识2
1.1.2 深度学习的基础知识4
1.2 目标检测技术及其评价指标 17
1.2.1 什么是目标检测技术17
1.2.2 目标检测的评价指标18
1.3 目标检测的研究进展 20
1.3.1 传统视觉目标检测的研究进展20
1.3.2 基于深度学习的视觉目标检测研究进展22
1.3.3 总结与展望32
1.4 目标检测技术的难点 34
1.5 AI对抗攻击的内涵与研究状况 36
1.5.1 AI对抗攻击的内涵37
1.5.2 AI对抗攻击的研究状况38
第2章 大脑视觉皮层的机理分析
2.1 视觉系统的运行流程 44
2.2 眼球-视网膜-视神经工作机制 45
2.3 视觉皮层的工作机制 49
2.4 受视觉皮层启发的目标检测研究现状及思考 61
第3章 类脑智能目标检测网络的构建与优化
3.1 构建的总体思路 68
3.2 仿V1视觉皮层模块 71
3.3 视觉注意力模块 74
3.4 类脑智能目标检测深度网络框架 76
3.5 目标检测的网络模型压缩提速 84
3.5.1 模型剪枝技术84
3.5.2 模型量化技术87
第4章 类脑智能目标检测网络的性能评价
4.1 在公开数据集COCO 2017上目标识别性能评估 90
4.1.1 COCO数据集简介90
4.1.2 模型训练过程91
4.1.3 性能对比分析95
4.2 在自建数据集上性能评估 97
4.3 存在AI对抗攻击时的目标检测效能 99
4.3.1 AI对抗攻击图案99
4.3.2 AI对抗攻击下的目标检测效果分析100
第5章 在无人驾驶车辆上的应用验证
5.1 无人驾驶车辆的发展与分析 106
5.1.1 无人驾驶车辆的发展106
5.1.2 无人驾驶车辆在视觉感知方面的瓶颈117
5.2 面向复杂城市环境的数据集构建 120
5.2.1 数据集概述120
5.2.2 数据集详细情况122
5.3 面向干扰环境无人车交通标志识别 130
5.3.1 应用验证系统简介130
5.3.2 应用验证场景介绍134
5.3.3 应用验证效果及对比分析137
5.4 基于视觉目标检测的车臂协同开门 144
5.4.1 应用验证系统简介144
5.4.2 系统验证场景介绍及验证效果对比分析151
第6章 类脑目标检测系统的综合评价
6.1 构建综合评价模型的总体思路 156
6.2 综合评价的具体实现过程 158
6.3 指标评测方法与流程 165
总结与展望 168
参考文献 169