深度學(xué)習(xí)與目標(biāo)檢測

基礎(chǔ)篇

第1章 深度學(xué)習(xí)概述  2

1.1 深度學(xué)習(xí)發(fā)展簡史  2

1.2 有監(jiān)督學(xué)習(xí)  4

1.2.1 圖像分類  4

1.2.2 目標(biāo)檢測  6

1.2.3 人臉識別  10

1.2.4 語音識別  13

1.3 無監(jiān)督學(xué)習(xí)  18

1.3.1 無監(jiān)督學(xué)習(xí)概述  18

1.3.2 生成對抗網(wǎng)絡(luò)  18

1.4 強(qiáng)化學(xué)習(xí)  21

1.4.1 AlphaGo  21

1.4.2 AlphaGo Zero  23

1.5 小結(jié)  25

參考文獻(xiàn)  25

第2章 深度神經(jīng)網(wǎng)絡(luò)  27

2.1 神經(jīng)元  27

2.2 感知機(jī)  30

2.3 前向傳遞  32

2.3.1 前向傳遞的流程  32

2.3.2 激活函數(shù)  33

2.3.3 損失函數(shù)  37

2.4 后向傳遞  40

2.4.1 后向傳遞的流程  40

2.4.2 梯度下降  40

2.4.3 參數(shù)修正  42

2.5 防止過擬合  44

2.5.1 dropout  44

2.5.2 正則化  45

2.6 小結(jié)  46

第3章 卷積神經(jīng)網(wǎng)絡(luò)  47

3.1 卷積層  48

3.1.1 valid 卷積  48

3.1.2 full 卷積  50

3.1.3 same 卷積  51

3.2 池化層  52

3.3 反卷積  53

3.4 感受野  55

3.5 卷積網(wǎng)絡(luò)實(shí)例  56

3.5.1 Lenet-5  56

3.5.2 AlexNet  59

3.5.3 VGGNet  62

3.5.4 GoogLeNet  64

3.5.5 ResNet  72

3.5.6 MobileNet  73

3.6 小結(jié)  76

進(jìn)階篇

第4章 兩階段目標(biāo)檢測方法  78

4.1 R-CNN  78

4.1.1 算法流程  79

4.1.2 訓(xùn)練過程  80

4.2 SPP-Net  83

4.2.1 網(wǎng)絡(luò)結(jié)構(gòu)  84

4.2.2 空間金字塔池化  84

4.3 Fast R-CNN  86

4.3.1 感興趣區(qū)域池化層  86

4.3.2 網(wǎng)絡(luò)結(jié)構(gòu)  88

4.3.3 全連接層計(jì)算加速  89

4.3.4 目標(biāo)分類  90

4.3.5 邊界框回歸  91

4.3.6 訓(xùn)練過程  93

4.4 Faster R-CNN  96

4.4.1 網(wǎng)絡(luò)結(jié)構(gòu)  97

4.4.2 RPN  98

4.4.3 訓(xùn)練過程  104

4.5 R-FCN  106

4.5.1 R-FCN 網(wǎng)絡(luò)結(jié)構(gòu)  107

4.5.2 位置敏感的分?jǐn)?shù)圖  108

4.5.3 位置敏感的RoI 池化  109

4.5.4 R-FCN 損失函數(shù)  110

4.5.5 Caffe 網(wǎng)絡(luò)模型解析  111

4.6 Mask R-CNN  115

4.6.1 實(shí)例分割簡介  115

4.6.2 COCO 數(shù)據(jù)集的像素級標(biāo)注  116

4.6.3 網(wǎng)絡(luò)結(jié)構(gòu)  117

4.6.4 U-Net  121

4.6.5 SegNet  122

4.7 小結(jié)  123

第5章 單階段目標(biāo)檢測方法  124

5.1 SSD  124

5.1.1 default box  125

5.1.2 網(wǎng)絡(luò)結(jié)構(gòu)  125

5.1.3 Caffe 網(wǎng)絡(luò)模型解析  126

5.1.4 訓(xùn)練過程  134

5.2 RetinaNet  136

5.2.1 FPN  136

5.2.2 聚焦損失函數(shù)  138

5.3 RefineDet  139

5.3.1 網(wǎng)絡(luò)模型  140

5.3.2 Caffe 網(wǎng)絡(luò)模型解析  142

5.3.3 訓(xùn)練過程  151

5.4 YOLO  152

5.4.1 YOLO v1  152

5.4.2 YOLO v2  155

5.4.3 YOLO v3  157

5.5 目標(biāo)檢測算法應(yīng)用  159

5.5.1 高速公路坑洞檢測  159

5.5.2 息肉檢測  160

5.6 小結(jié)  162

應(yīng)用篇

第6章 肋骨骨折檢測  164

6.1 國內(nèi)外研究現(xiàn)狀  165

6.2 解決方案  166

6.3 預(yù)處理  166

6.4 肋骨骨折檢測  167

6.5 實(shí)驗(yàn)結(jié)果分析  168

6.6 小結(jié)  170

參考文獻(xiàn)  171

第7章 肺結(jié)節(jié)檢測  172

7.1 國內(nèi)外研究現(xiàn)狀  172

7.1.1 肺結(jié)節(jié)可疑位置推薦算法  173

7.1.2 假陽性肺結(jié)節(jié)抑制算法  173

7.2 總體框架  174

7.2.1 肺結(jié)節(jié)數(shù)據(jù)集  174

7.2.2 肺結(jié)節(jié)檢測難點(diǎn)  175

7.2.3 算法框架  175

7.3 肺結(jié)節(jié)可疑位置推薦算法  176

7.3.1 CT圖像的預(yù)處理  177

7.3.2 肺結(jié)節(jié)分割算法  178

7.3.3 優(yōu)化方法  180

7.3.4 推斷方法  182

7.4 可疑肺結(jié)節(jié)定位算法  183

7.5 實(shí)驗(yàn)結(jié)果與分析  184

7.5.1 實(shí)驗(yàn)結(jié)果  184

7.5.2 改進(jìn)點(diǎn)效果分析  184

7.6 假陽性肺結(jié)節(jié)抑制算法  186

7.6.1 假陽性肺結(jié)節(jié)抑制網(wǎng)絡(luò)  186

7.6.2 優(yōu)化策略  190

7.6.3 推斷策略  192

7.7 實(shí)驗(yàn)結(jié)果與分析  192

7.7.1 實(shí)驗(yàn)結(jié)果  193

7.7.2 改進(jìn)點(diǎn)效果分析  193

7.7.3 可疑位置推薦與假陽抑制算法整合  194

7.8 小結(jié)  195

參考文獻(xiàn)  195

第8章 車道線檢測  198

8.1 國內(nèi)外研究現(xiàn)狀  198

8.2 主要研究內(nèi)容  200

8.2.1 總體解決方案  200

8.2.2 各階段概述  201

8.3 車道線檢測系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)  204

8.3.1 車道線圖像數(shù)據(jù)標(biāo)注與篩選  205

8.3.2 車道線圖片預(yù)處理  206

8.3.3 車道線分割模型訓(xùn)練  211

8.3.4 車道線檢測  220

8.3.5 車道線檢測結(jié)果  224

8.4 車道線檢測系統(tǒng)的性能測試  224

8.4.1 車道線檢測質(zhì)量測試  224

8.4.2 車道線檢測時(shí)間測試  226

8.5 小結(jié)  227

參考文獻(xiàn)  227

第9章 交通視頻分析  229

9.1 國內(nèi)外研究現(xiàn)狀  230

9.2 主要研究內(nèi)容  231

9.2.1 總體設(shè)計(jì)  231

9.2.2 精度和性能要求  232

9.3 交通視頻分析  232

9.3.1 車輛檢測和車牌檢測  233

9.3.2 車牌識別功能設(shè)計(jì)詳解  235

9.3.3 車輛品牌及顏色的識別  243

9.3.4 目標(biāo)跟蹤設(shè)計(jì)詳解  244

9.4 系統(tǒng)測試  247

9.4.1 車輛檢測  248

9.4.2 車牌檢測  251

9.4.3 車牌識別  253

9.4.4 車輛品牌識別  256

9.4.5 目標(biāo)跟蹤  259

9.5 小結(jié)  259

參考文獻(xiàn)  260