內容簡介
本書介紹了深度學習在圖像目標檢測與識別領域的應用，主要包括基於UNet的圖像去霧算法、基於特征融合GAN的圖像增強算法、基於ESRGAN的圖像超分辨率重建算法、基於嵌套UNet的圖像分割算法、基於對抗遷移學習的水下大壩裂縫圖像分割算法、基於改進Faster-RCNN的海洋生物檢測算法、基於YOLOv4的目標檢測算法、基於RetinaNet的密集目標檢測算法、基於LSTM網絡的視頻圖像目標實時檢測、基於改進YOLOv4的嵌入式變電站儀表檢測算法等。
作者簡介
史朋飛，男，博士、副教授、碩士生導師，CCF會員、IEEE會員，入選河海大學"大禹學者計劃”"常州市重點產業緊缺人才計劃”等。主要從事機器視覺、水下探測與成像、多源信息融合等方麵的研究。主持江蘇省自然科學基金1項、國家自然科學基金1項、常州市應用基礎研究計劃1項。發表論文50餘篇，其中SCI/EI檢索30餘篇。申請發明專利20餘項，授權10餘項。獲得軟件著作權5項。獲江蘇省科學技術三等獎1項，常州市優秀科技論文二等獎、三等獎各1項。編寫《人工智能與機器人》教材、《水下光學圖像增強與複原方法及應用》各1部等。
目錄
內容簡介
作者簡介
前言
第0章 緒論
0.1 研究背景及意義
0.2 國內外研究現狀
0.2.1 水下圖像質量提升方法
0.2.2 基於深度學習的目標檢測算法研究
0.2.3 裂縫圖像分割算法研究
0.3 本書的主要內容及章節安排如下
參考文獻
第1章 基於UNet的圖像去霧算法
1.1 引言
1.2 本章算法
1.2.1 特征提取層
1.2.2 網絡結構
1.2.3 損失函數
1.3 實驗與分析
1.3.1 實驗環境
1.3.2 實驗數據集
1.3.3 評價指標
1.3.4 參數設置
1.3.5 實驗結果
1.3.6 運行時間對比
1.4 本章小結
參考文獻
第2章 基於特征融合GAN的圖像增強算法
2.1 引言
2.2 GAN概述
2.2.1 GAN的基本概念
2.2.2 GAN的數學模型
2.3 基於特征融合GAN的圖像增強算法
2.3.1 顏色校正
2.3.2 生成器的結構
2.3.3 判別器的結構
2.3.4 損失函數的選擇
2.4 實驗與分析
2.4.1 實驗數據及訓練
2.4.2 實驗結果
2.4.3 消融實驗
2.5 本章小結
參考文獻
第3章 基於ESRGAN的圖像超分辨率重建算法
3.1 引言
3.2 ESRGAN
3.3 基於ESRGAN的水下圖像超分辨率重建算法
3.3.1 生成器的結構
3.3.2 相對判別器的結構
3.3.4 損失函數的選擇
3.4 實驗與分析
3.4.1 實驗數據及訓練
3.4.2 實驗結果
3.5 本章小結
參考文獻
第4章 基於嵌套UNet的圖像分割算法
4.1 引言
4.2 卷積神經網絡的相關技術
4.3 全卷積網絡
4.4 UNet模型
4.5 裂縫圖像分割模型Att_Nested_UNet
4.5.1 相關研究
4.5.2 Att_Nested_UNet的工作原理
4.5.3 實驗及結果
4.6 本章小結
參考文獻
第5章 基於對抗遷移學習的水下大壩裂縫圖像分割算法
5.1 引言
5.2 相關工作
5.2.1 裂縫圖像分割
5.2.2 水下大壩裂縫圖像分割
5.2.3 遷移學習
5.3 本章算法
5.3.1 網絡模型
5.3.2 對抗遷移學習
5.3.3 損失函數
5.4 實驗與分析
5.4.1 數據集
5.4.2 訓練策略
5.4.3 實驗結果
5.4.4 評價指標
5.5 本章小結
參考文獻
第6章 基於改進Faster-RCNN的海洋生物檢測算法
6.1 引言
6.2 相關工作
6.3 本章算法
6.3.1 ResNet-BiFPN簡介
6.3.2 有效交並比
6.3.3 K-means++算法
6.4 實驗與分析
6.4.1 實驗配置及數據集
6.4.2 評價指標
6.4.3 實驗結果
6.5 本章小結
參考文獻
第7章 基於YOLOv4的目標檢測算法
7.1 引言
7.2 結合數據增強和改進YOLOv4的水下目標檢測算法
7.2.1 CBAM-CSPDarknet53
7.2.2 DetPANet
7.2.3 PredMix
7.3 實驗與分析
7.3.1 實驗配置及數據集
7.3.2 實驗結果
7.4 本章小結
參考文獻
第8章 基於RetinaNet的密集目標檢測算法
8.1 引言
8.2 本章算法
8.2.1 本章算法的主體框架
8.2.2 多維注意力模塊
8.2.3 弱化的非極大值抑製算法
8.2.4 損失函數
8.3 實驗與分析
8.3.1 實驗環境與數據集
8.3.2 實驗參數與評價指標
8.3.3 實驗過程與結果分析
8.4 本章小結
參考文獻
第9章 基於LSTM網絡的視頻圖像目標實時檢測算法
9.1 引言
9.2 長短時記憶網絡和記憶引導網絡
9.2.1 長短時記憶網絡
9.2.2 記憶引導網絡
9.3 交叉檢測框架
9.3.1 交叉檢測框架的思路
9.3.2 交叉檢測框架的選擇
9.4 模型訓練和實驗分析
9.4.1 模型訓練策略
9.4.2 實驗分析
9.5 本章小結
參考文獻
第10章 基於改進YOLOv4的嵌入式變電站儀表檢測算法
10.1 引言
10.2 本章算法
10.2.1 YOLOv4簡介
10.2.2 對YOLOv4的改進
10.3 實驗與分析
10.3.1 數據集與實驗平台
10.3.2 數據集與實驗平台
10.3.3 計算量與模型參數對比
10.3.4 檢測速度和檢測精度的對比
10.4 本章小結
參考文獻
文後插圖
作者簡介
前言
第0章 緒論
0.1 研究背景及意義
0.2 國內外研究現狀
0.2.1 水下圖像質量提升方法
0.2.2 基於深度學習的目標檢測算法研究
0.2.3 裂縫圖像分割算法研究
0.3 本書的主要內容及章節安排如下
參考文獻
第1章 基於UNet的圖像去霧算法
1.1 引言
1.2 本章算法
1.2.1 特征提取層
1.2.2 網絡結構
1.2.3 損失函數
1.3 實驗與分析
1.3.1 實驗環境
1.3.2 實驗數據集
1.3.3 評價指標
1.3.4 參數設置
1.3.5 實驗結果
1.3.6 運行時間對比
1.4 本章小結
參考文獻
第2章 基於特征融合GAN的圖像增強算法
2.1 引言
2.2 GAN概述
2.2.1 GAN的基本概念
2.2.2 GAN的數學模型
2.3 基於特征融合GAN的圖像增強算法
2.3.1 顏色校正
2.3.2 生成器的結構
2.3.3 判別器的結構
2.3.4 損失函數的選擇
2.4 實驗與分析
2.4.1 實驗數據及訓練
2.4.2 實驗結果
2.4.3 消融實驗
2.5 本章小結
參考文獻
第3章 基於ESRGAN的圖像超分辨率重建算法
3.1 引言
3.2 ESRGAN
3.3 基於ESRGAN的水下圖像超分辨率重建算法
3.3.1 生成器的結構
3.3.2 相對判別器的結構
3.3.4 損失函數的選擇
3.4 實驗與分析
3.4.1 實驗數據及訓練
3.4.2 實驗結果
3.5 本章小結
參考文獻
第4章 基於嵌套UNet的圖像分割算法
4.1 引言
4.2 卷積神經網絡的相關技術
4.3 全卷積網絡
4.4 UNet模型
4.5 裂縫圖像分割模型Att_Nested_UNet
4.5.1 相關研究
4.5.2 Att_Nested_UNet的工作原理
4.5.3 實驗及結果
4.6 本章小結
參考文獻
第5章 基於對抗遷移學習的水下大壩裂縫圖像分割算法
5.1 引言
5.2 相關工作
5.2.1 裂縫圖像分割
5.2.2 水下大壩裂縫圖像分割
5.2.3 遷移學習
5.3 本章算法
5.3.1 網絡模型
5.3.2 對抗遷移學習
5.3.3 損失函數
5.4 實驗與分析
5.4.1 數據集
5.4.2 訓練策略
5.4.3 實驗結果
5.4.4 評價指標
5.5 本章小結
參考文獻
第6章 基於改進Faster-RCNN的海洋生物檢測算法
6.1 引言
6.2 相關工作
6.3 本章算法
6.3.1 ResNet-BiFPN簡介
6.3.2 有效交並比
6.3.3 K-means++算法
6.4 實驗與分析
6.4.1 實驗配置及數據集
6.4.2 評價指標
6.4.3 實驗結果
6.5 本章小結
參考文獻
第7章 基於YOLOv4的目標檢測算法
7.1 引言
7.2 結合數據增強和改進YOLOv4的水下目標檢測算法
7.2.1 CBAM-CSPDarknet53
7.2.2 DetPANet
7.2.3 PredMix
7.3 實驗與分析
7.3.1 實驗配置及數據集
7.3.2 實驗結果
7.4 本章小結
參考文獻
第8章 基於RetinaNet的密集目標檢測算法
8.1 引言
8.2 本章算法
8.2.1 本章算法的主體框架
8.2.2 多維注意力模塊
8.2.3 弱化的非極大值抑製算法
8.2.4 損失函數
8.3 實驗與分析
8.3.1 實驗環境與數據集
8.3.2 實驗參數與評價指標
8.3.3 實驗過程與結果分析
8.4 本章小結
參考文獻
第9章 基於LSTM網絡的視頻圖像目標實時檢測算法
9.1 引言
9.2 長短時記憶網絡和記憶引導網絡
9.2.1 長短時記憶網絡
9.2.2 記憶引導網絡
9.3 交叉檢測框架
9.3.1 交叉檢測框架的思路
9.3.2 交叉檢測框架的選擇
9.4 模型訓練和實驗分析
9.4.1 模型訓練策略
9.4.2 實驗分析
9.5 本章小結
參考文獻
第10章 基於改進YOLOv4的嵌入式變電站儀表檢測算法
10.1 引言
10.2 本章算法
10.2.1 YOLOv4簡介
10.2.2 對YOLOv4的改進
10.3 實驗與分析
10.3.1 數據集與實驗平台
10.3.2 數據集與實驗平台
10.3.3 計算量與模型參數對比
10.3.4 檢測速度和檢測精度的對比
10.4 本章小結
參考文獻
文後插圖
最後修改：2025 年 12 月 23 日
© 允許規範轉載