深度學習之圖像目標檢測與識別方法

目 錄
第0章 緒論 1
0.1 研究背景及意義 1
0.2 國內(nèi)外研究現(xiàn)狀 2
0.2.1 水下圖像質(zhì)量提升方法 2
0.2.2 基于深度學習的目標檢測算法研究 5
0.2.3 裂縫圖像分割算法研究 7
0.3 本書的主要內(nèi)容及章節(jié)安排如下 9
參考文獻 12
第1章 基于UNet的圖像去霧算法 19
1.1 引言 19
1.2 本章算法 21
1.2.1 特征提取層 21
1.2.2 網(wǎng)絡(luò)結(jié)構(gòu) 21
1.2.3 損失函數(shù) 25
1.3 實驗與分析 26
1.3.1 實驗環(huán)境 26
1.3.2 實驗數(shù)據(jù)集 26
1.3.3 評價指標 26
1.3.4 參數(shù)設(shè)置 27
1.3.5 實驗結(jié)果 27
1.3.6 運行時間對比 31
1.4 本章小結(jié) 31
參考文獻 31
第2章 基于特征融合GAN的圖像增強算法 35
2.1 引言 35
2.2 GAN概述 35
2.2.1 GAN的基本概念 35
2.2.2 GAN的數(shù)學模型 36
2.3 基于特征融合GAN的圖像增強算法 37
2.3.1 顏色校正 37
2.3.2 生成器的結(jié)構(gòu) 41
2.3.3 判別器的結(jié)構(gòu) 43
2.3.4 損失函數(shù)的選擇 43
2.4 實驗與分析 45
2.4.1 實驗數(shù)據(jù)及訓練 45
2.4.2 實驗結(jié)果 47
2.4.3 消融實驗 50
2.5 本章小結(jié) 52
參考文獻 53
第3章 基于ESRGAN的圖像超分辨率重建算法 57
3.1 引言 57
3.2 ESRGAN 57
3.3 基于ESRGAN的水下圖像超分辨率重建算法 60
3.3.1 生成器的結(jié)構(gòu) 60
3.3.2 相對判別器的結(jié)構(gòu) 63
3.3.4 損失函數(shù)的選擇 65
3.4 實驗與分析 66
3.4.1 實驗數(shù)據(jù)及訓練 66
3.4.2 實驗結(jié)果 67
3.5 本章小結(jié) 70
參考文獻 70
第4章 基于嵌套UNet的圖像分割算法 73
4.1 引言 73
4.2 卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)技術(shù) 74
4.3 全卷積網(wǎng)絡(luò) 75
4.4 UNet模型 78
4.5 裂縫圖像分割模型Att_Nested_UNet 79
4.5.1 相關(guān)研究 79
4.5.2 Att_Nested_UNet的工作原理 79
4.5.3 實驗及結(jié)果 83
4.6 本章小結(jié) 87
參考文獻 87
第5章 基于對抗遷移學習的水下大壩裂縫圖像分割算法 89
5.1 引言 89
5.2 相關(guān)工作 90
5.2.1 裂縫圖像分割 90
5.2.2 水下大壩裂縫圖像分割 91
5.2.3 遷移學習 91
5.3 本章算法 92
5.3.1 網(wǎng)絡(luò)模型 92
5.3.2 對抗遷移學習 94
5.3.3 損失函數(shù) 95
5.4 實驗與分析 96
5.4.1 數(shù)據(jù)集 96
5.4.2 訓練策略 97
5.4.3 實驗結(jié)果 97
5.4.4 評價指標 98
5.5 本章小結(jié) 100
參考文獻 100
第6章 基于改進Faster-RCNN的海洋生物檢測算法 105
6.1 引言 105
6.2 相關(guān)工作 105
6.3 本章算法 107
6.3.1 ResNet-BiFPN簡介 107
6.3.2 有效交并比 110
6.3.3 K-means++算法 112
6.4 實驗與分析 114
6.4.1 實驗配置及數(shù)據(jù)集 114
6.4.2 評價指標 114
6.4.3 實驗結(jié)果 115
6.5 本章小結(jié) 119
參考文獻 119

第7章 基于YOLOv4的目標檢測算法 123
7.1 引言 123
7.2 結(jié)合數(shù)據(jù)增強和改進YOLOv4的水下目標檢測算法 125
7.2.1 CBAM-CSPDarknet53 125
7.2.2 DetPANet 127
7.2.3 PredMix 128
7.3 實驗與分析 130
7.3.1 實驗配置及數(shù)據(jù)集 130
7.3.2 實驗結(jié)果 131
7.4 本章小結(jié) 135
參考文獻 135
第8章 基于RetinaNet的密集目標檢測算法 139
8.1 引言 139
8.2 本章算法 140
8.2.1 本章算法的主體框架 140
8.2.2 多維注意力模塊 142
8.2.3 弱化的非極大值抑制算法 144
8.2.4 損失函數(shù) 146
8.3 實驗與分析 147
8.3.1 實驗環(huán)境與數(shù)據(jù)集 147
8.3.2 實驗參數(shù)與評價指標 149
8.3.3 實驗過程與結(jié)果分析 150
8.4 本章小結(jié) 155
參考文獻 156
第9章 基于LSTM網(wǎng)絡(luò)的視頻圖像目標實時檢測算法 159
9.1 引言 159
9.2 長短時記憶網(wǎng)絡(luò)和記憶引導網(wǎng)絡(luò) 160
9.2.1 長短時記憶網(wǎng)絡(luò) 160
9.2.2 記憶引導網(wǎng)絡(luò) 162
9.3 交叉檢測框架 165
9.3.1 交叉檢測框架的思路 165
9.3.2 交叉檢測框架的選擇 166
9.4 模型訓練和實驗分析 167
9.4.1 模型訓練策略 167
9.4.2 實驗分析 168
9.5 本章小結(jié) 174
參考文獻 174
第10章 基于改進YOLOv4的嵌入式變電站儀表檢測算法 177
10.1 引言 177
10.2 本章算法 179
10.2.1 YOLOv4簡介 179
10.2.2 對YOLOv4的改進 180
10.3 實驗與分析 183
10.3.1 數(shù)據(jù)集與實驗平臺 183
10.3.2 數(shù)據(jù)集與實驗平臺 184
10.3.3 計算量與模型參數(shù)對比 185
10.3.4 檢測速度和檢測精度的對比 186
10.4 本章小結(jié) 188
參考文獻 189