計(jì)算機(jī)視覺(jué)中的深度學(xué)習(xí)

目 錄
第1章 計(jì)算機(jī)視覺(jué)及其任務(wù)\t1
1．1 計(jì)算機(jī)視覺(jué)的定義\t1
1．2 計(jì)算機(jī)視覺(jué)的發(fā)展沿革\t1
1．3 計(jì)算機(jī)視覺(jué)的主要任務(wù)及其應(yīng)用\t2
1．3．1 圖像恢復(fù)\t2
1．3．2 圖像識(shí)別\t3
1．3．3 動(dòng)作分析\t4
1．3．4 場(chǎng)景重建\t5
1．3．5 行人再識(shí)別\t6
1．4 本章小結(jié)\t7
本章參考文獻(xiàn)\t7
第2章 手工特征\t8
2．1 初級(jí)圖像特征\t8
2．1．1 顏色特征\t8
2．1．2 紋理特征\t11
2．1．3 形狀特征\t12
2．2 中級(jí)圖像特征\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 本章小結(jié)\t21
本章參考文獻(xiàn)\t21
第3章 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)理論\t23
3．1 神經(jīng)元概述\t23
3．1．1 感知器\t23
3．1．2 激活函數(shù)\t24
3．1．3 神經(jīng)元模型\t28
3．2 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)結(jié)構(gòu)\t28
3．2．1 兩層神經(jīng)網(wǎng)絡(luò)模型\t28
3．2．2 前饋神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)\t29
3．2．3 神經(jīng)網(wǎng)絡(luò)中的參數(shù)\t30
3．3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練\t31
3．3．1 權(quán)重初始化\t31
3．3．2 偏置初始化\t32
3．3．3 前向傳播\t32
3．3．4 損失函數(shù)\t32
3．3．5 反向傳播\t33
3．3．6 參數(shù)更新\t35
3．3．7 批歸一化\t37
3．3．8 正則化\t38
3．4 常見(jiàn)的神經(jīng)元模型\t40
3．4．1 空間信息處理單元\t40
3．4．2 時(shí)間信息處理單元\t41
3．5 本章小結(jié)\t43
本章參考文獻(xiàn)\t44
第4章 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)\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 本章小結(jié)\t71
本章參考文獻(xiàn)\t71
第5章 目標(biāo)分割\t73
5．1 目標(biāo)分割技術(shù)概述\t73
5．1．1 目標(biāo)分割技術(shù)基本理論與模型\t73
5．1．2 目標(biāo)分割技術(shù)概述\t74
5．1．3 評(píng)價(jià)標(biāo)準(zhǔn)\t77
5．2 基于深度學(xué)習(xí)多路徑特征融合的圖像語(yǔ)義分割\t79
5．2．1 特點(diǎn)\t79
5．2．2 基于VGGNet的多路徑特征融合算法\t80
5．2．3 基于ResNet的多路徑特征融合算法\t85
5．3 基于模糊邏輯的多特征視頻運(yùn)動(dòng)目標(biāo)分割\t88
5．3．1 特點(diǎn)\t88
5．3．2 算法\t88
5．3．3 實(shí)驗(yàn)\t96
5．4 目標(biāo)分割未來(lái)趨勢(shì)\t98
本章參考文獻(xiàn)\t99
第6章 目標(biāo)檢測(cè)\t102
6．1 目標(biāo)檢測(cè)算法概述\t102
6．1．1 算法概述\t102
6．1．2 評(píng)價(jià)指標(biāo)\t104
6．2 傳統(tǒng)目標(biāo)檢測(cè)方法\t106
6．2．1 區(qū)域選擇算法\t106
6．2．2 典型人工圖像特征\t106
6．2．3 分類器類型及訓(xùn)練\t106
6．3 基于候選區(qū)域的目標(biāo)檢測(cè)方法\t110
6．3．1 R-CNN的實(shí)現(xiàn)\t110
6．3．2 SPP-net的實(shí)現(xiàn)\t111
6．3．3 Fast R-CNN的實(shí)現(xiàn)\t112
6．3．4 Faster R-CNN的實(shí)現(xiàn)\t113
6．4 基于回歸的目標(biāo)檢測(cè)\t115
6．4．1 YOLO的實(shí)現(xiàn)\t115
6．4．2 SSD的實(shí)現(xiàn)\t117
6．4．3 YOLOv2的改進(jìn)\t119
6．5 改進(jìn)算法拾萃\t122
6．5．1 困難樣本挖掘\t122
6．5．2 YOLOv2損失函數(shù)\t123
6．5．3 基于上下文信息的SSD改進(jìn)\t124
6．5．4 多特征多尺度融合\t126
6．6 目標(biāo)檢測(cè)未來(lái)趨勢(shì)\t129
本章參考文獻(xiàn)\t130
第7章 目標(biāo)跟蹤\t132
7．1 目標(biāo)跟蹤技術(shù)概述\t132
7．1．1 目標(biāo)跟蹤算法基本理論與模型\t132
7．1．2 目標(biāo)跟蹤算法概述\t133
7．1．3 評(píng)價(jià)標(biāo)準(zhǔn)\t135
7．2 平衡正負(fù)樣本權(quán)重的多示例學(xué)習(xí)跟蹤算法\t136
7．2．1 MIL跟蹤算法\t136
7．2．2 平衡正負(fù)樣本權(quán)重\t138
7．3 基于核化相關(guān)濾波器的視覺(jué)目標(biāo)跟蹤算法研究與改進(jìn)\t143
7．3．1 基于相關(guān)濾波器的目標(biāo)跟蹤算法\t143
7．3．2 自適應(yīng)模板更新的目標(biāo)跟蹤算法\t150
7．3．3 CNN和相關(guān)濾波結(jié)合的跟蹤算法\t158
7．4 基于中心對(duì)比CNN的目標(biāo)跟蹤算法研究\t169
7．4．1 逐任務(wù)驅(qū)動(dòng)的CNN目標(biāo)跟蹤算法\t169
7．4．2 中心對(duì)比CNN目標(biāo)跟蹤算法\t170
7．4．3 小運(yùn)動(dòng)優(yōu)先的視覺(jué)目標(biāo)跟蹤算法\t175
7．5 目標(biāo)跟蹤未來(lái)趨勢(shì)\t180
本章參考文獻(xiàn)\t180
第8章 行人再識(shí)別\t183
8．1 行人再識(shí)別技術(shù)概述\t183
8．1．1 行人再識(shí)別技術(shù)基本理論與模型\t183
8．1．2 行人再識(shí)別技術(shù)簡(jiǎn)介\t184
8．1．3 評(píng)價(jià)標(biāo)準(zhǔn)\t186
8．2 基于ADARANK進(jìn)行特征集成的行人再識(shí)別算法\t188
8．2．1 算法特點(diǎn)\t188
8．2．2 算法細(xì)節(jié)\t188
8．2．3 實(shí)驗(yàn)結(jié)果\t200
8．3 基于增強(qiáng)深度特征的行人再識(shí)別算法\t206
8．3．1 算法特點(diǎn)\t206
8．3．2 引入注意力機(jī)制的網(wǎng)絡(luò)模型\t207
8．3．3 引入手工特征：LOMO特征融合到多級(jí)注意力識(shí)別―驗(yàn)證網(wǎng)絡(luò)\t215
8．4 基于屬性和身份特征融合的行人再識(shí)別算法\t221
8．4．1 特點(diǎn)\t221
8．4．2 算法\t222
8．4．3 實(shí)驗(yàn)\t230
8．5 行人再識(shí)別未來(lái)趨勢(shì)\t236
本章參考文獻(xiàn)\t237
第9章 圖像壓縮\t242
9．1 有損壓縮和無(wú)損壓縮\t242
9．1．1 無(wú)損壓縮\t242
9．1．2 有損壓縮\t243
9．2 經(jīng)典的有損圖像壓縮方法\t243
9．2．1 JPEG\t243
9．2．2 JPEG 2000\t243
9．2．3 BPG\t244
9．3 基于深度學(xué)習(xí)的圖像壓縮技術(shù)\t244
9．4 基于空間能量壓縮的圖像壓縮\t244
9．4．1 算法特點(diǎn)\t244
9．4．2 算法細(xì)節(jié)\t245
9．4．3 實(shí)驗(yàn)結(jié)果\t249
9．5 利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行內(nèi)容加權(quán)的圖像壓縮\t249
9．5．1 算法特點(diǎn)\t249
9．5．2 算法細(xì)節(jié)\t250
9．5．3 實(shí)驗(yàn)結(jié)果\t254
9．6 基于生成式對(duì)抗網(wǎng)絡(luò)的圖像壓縮\t255
9．6．1 算法特點(diǎn)\t255
9．6．2 算法細(xì)節(jié)\t255
9．6．3 實(shí)驗(yàn)結(jié)果\t257
9．7 圖像壓縮未來(lái)趨勢(shì)\t257
本章參考文獻(xiàn)\t258
第10章 超分辨率重建\t259
10．1 超分辨率技術(shù)概述\t259
10．1．1 超分辨率技術(shù)的基本理論與模型\t259
10．1．2 超分辨率技術(shù)概述\t261
10．2 基于深度殘差網(wǎng)絡(luò)注意力機(jī)制的圖像超分辨率重建\t263
10．2．1 存在的問(wèn)題\t263
10．2．2 提出的解決方案\t264
10．2．3 具體實(shí)現(xiàn)細(xì)節(jié)\t264
10．2．4 實(shí)驗(yàn)結(jié)果比較分析\t267
10．3 基于增強(qiáng)的可變形卷積網(wǎng)絡(luò)的視頻超分辨率\t271
10．3．1 視頻超分辨率\t271
10．3．2 存在的問(wèn)題\t272
10．3．3 針對(duì)存在的問(wèn)題提出的解決方案\t272
10．3．4 具體實(shí)現(xiàn)\t274
10．3．5 實(shí)驗(yàn)對(duì)比\t277
10．4 真實(shí)原始傳感器數(shù)據(jù)的超分辨率重建\t278
10．4．1 存在的問(wèn)題\t278
10．4．2 針對(duì)問(wèn)題提出的解決方案\t279
10．4．3 具體實(shí)現(xiàn)細(xì)節(jié)\t279
10．4．4 實(shí)驗(yàn)對(duì)比\t281
10．5 超分辨率重建未來(lái)趨勢(shì)\t283
本章參考文獻(xiàn)\t284
第11章 圖像去噪技術(shù)\t287
11．1 圖像去噪技術(shù)概述\t287
11．1．1 圖像去噪基本理論與模型\t287
11．1．2 圖像去噪算法\t287
11．1．3 評(píng)價(jià)標(biāo)準(zhǔn)\t292
11．2 去噪卷積神經(jīng)網(wǎng)絡(luò)\t293
11．2．1 算法特點(diǎn)\t293
11．2．2 存在問(wèn)題\t294
11．2．3 算法細(xì)節(jié)\t294
11．2．4 實(shí)驗(yàn)結(jié)果\t295
11．3 盲去噪卷積神經(jīng)網(wǎng)絡(luò)\t299
11．3．1 算法特點(diǎn)\t299
11．3．2 存在問(wèn)題\t299
11．3．3 算法細(xì)節(jié)\t299
11．3．4 實(shí)驗(yàn)\t302
11．4 真實(shí)圖像去噪神經(jīng)網(wǎng)絡(luò)\t307
11．4．1 特點(diǎn)\t307
11．4．2 存在問(wèn)題\t307
11．4．3 算法細(xì)節(jié)\t307
11．4．4 實(shí)驗(yàn)\t310
11．4．5 總結(jié)\t312
11．5 圖像去噪未來(lái)趨勢(shì)\t312
本章參考文獻(xiàn)\t312
附錄A 術(shù)語(yǔ)與縮略詞表\t313