深度学习——图像检索原理与应用

图书标准信息

• 作者 张富凯
• 出版社 清华大学出版社
• 出版时间 2022-07
• 版次 1
• ISBN 9787302602491
• 定价 59.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 字数 241.000千字

【内容简介】

本书系统论述深度 学 习 图 像 检 索 的 原 理 与 应 用。全 书 共 分 为 两 篇:第 一 篇 图 像 检 索 基 础( 第 1~3 章) , 介绍图像检索技术、 深度 学 习 基 础、 基 于 深 度 学 习 的 图 像 检 索 方 法;第 二 篇 图 像 检 索 应 用 ( 第 4~8 章) , 以车辆图像为研究对象, 深入详细地讲述基于深度神经网络的快速车辆图像检测方法、 基于迁移学习 场景自适应的车辆图像检索方法、 基于多视角图像生成的车辆图像检索方法、 基于车牌图像超分辨率重建 的车辆图像检索方法、 多模型融合的渐进式车辆图像检索方法。附录 A 和附录 B分别提供本书实验所使 用的数据集和源代码。 本书适合作为从事深度学习图像检索技术研究的科技工作者、 专业 技术人员、 高校教师、 研究生及高 年级本科生的参考用书。

【作者简介】

杨峰教授  中国矿业大学（北京）机电与信息工程学院

近年来，深度学习在图像检索领域的研究引起了学术界和工业界的广泛关注。《深度学习——图像检索原理与应用》的作者将自己的研究成果和实践经验进行了系统总结和梳理，循序渐进地介绍了深度学习和图像检索的理论、方法、路线和应用，具有很高的学术价值。

孙连英教授  北京联合大学俄交大联合交通学院

深度学习是近十年来人工智能领域取得的最重要的突破之一，与图像检索结合有着不可替代的优势。《深度学习——图像检索原理与应用》深入浅出地介绍了图像检索的工作原理与技术路线，对于初学者或专业的科技工作者，都有很好的参考价值。

黄明教授  北京建筑大学测绘与城市空间信息学院 

《深度学习——图像检索原理与应用》详细阐述了深度学习中物体识别、目标检测、迁移学习、图像生成、图像超分辨率重建等算法的基本原理、模型结构、训练方法，以及这些算法在图像检索中的应用。本书可以作为研究图像检索技术的参考书和工具书，帮助读者理清思路、开拓视野。

袁冠教授  中国矿业大学计算机科学与技术学院

《深度学习——图像检索原理与应用》结构严谨、章节环环相扣，内容引人入胜。本书的作者经验丰富、思维敏捷，将深奥的内容讲解得通俗易懂，有助于读者真正理解并掌握图像检索的基本原理和最新研究进展。

 

【目录】

第一篇 图像检索基础

第1章 绪论

1.1 图像检索技术概述

1.1.1 图像检索的分类

1.1.2 图像检索的技术路线

1.1.3 图像检索的评价指标

1.1.4 图像检索的技术难点

1.2 图像检索的研究方法

1.2.1 基于手工描述符的图像检索

1.2.2 基于距离度量学习的图像检索

1.2.3 基于深度学习的图像检索

参考文献

第2章 深度学习基础

2.1 神经网络

2.1.1 神经元模型

2.1.2 感知器和神经网络

2.1.3 误差反向传播算法

2.1.4 常见的神经网络模型

2.2 深度学习概述

2.2.1 卷积神经网络

2.2.2 自动编码器

2.2.3 生成对抗网络

2.2.4 循环神经网络

2.3 深度学习常用框架

2.3.1 Theano

2.3.2 TensorF1ow

2.3.3 Keras

2.3.4 Caffe/Caffe2

Z.3.5 MXNet

2.3.6 CNTK

2.3.7 PyTorch

2.3.8 其他框架

2.4 本章小结

参考文献

第3章 基于深度学习的图像检索

3.1 基于卷积神经网络的图像检索

3.2 基于生成对抗网络的图像检索

3.3 基于注意力机制的图像检索

3.4 基于循环神经网络的图像检索

3.5 基于强化学习的图像检索

3.6 本章小结

参考文献

第二篇 图像检索应用

第4章 基于深度神经网络的快速车辆图像检测

4.1 引言

4.2 问题描述

4.3 基于连接一合并卷积神经网络的快速车辆检测方法

4.3.1 连接一合并残差网络提取车辆特征

4.3.2 多尺度预测网络推断车辆信息

4.3.3 利用锚点机制预测车辆边界框

4.3.4 网络训练

4.4 实验结果与分析

4.4.1 数据集

4.4.2 评价指标与实验设置

4.4.3 在UA-DETRAC数据集上的实验

4.4.4 在KITTI数据集上的实验

4.5 本章小结

参考文献

第5章 基于迁移学习场景自适应的车辆图像检索

5.1 引言

5.2 问题描述

5.3 车辆迁移生成对抗网络

5.3.1 生成器网络

5.3.2 判别器网络

5.3.3 孪生网络

5.3.4 网络训练

5.4 基于图像风格迁移的车辆图像检索

5.4.1 特征学习

5.4.2 损失函数

5.4.3 基于风格迁移的车辆图像检索

5.5 实验结果与分析

5.5.1 数据集

5.5.2 评价指标与实验设置

5.5.3 车辆图像风格迁移评估

5.5.4 车辆图像检索性能评估

5.5.5 车辆图像检索方法对比

5.6 本章小结

参考文献

第6章 基于多视角图像生成的车辆图像检索

6.1 引言

6.2 问题描述

6.3 车辆图像多视角生成对抗网络

6.3.1 车辆视角估计

6.3.2 条件生成器网络

6.3.3 判别器网络

6.4 基于多视角的车辆图像检索

6.4.1 特征提取

6.4.2 距离度量

6.4.3 推理过程

6.4.4 图像风格迁移与多视角图像生成结合的车辆图像检索

6.5 实验结果与分析

6.5.1 数据集

6.5.2 评价指标与实验设置

6.5.3 多视角生成对抗网络性能评估

6.5.4 车辆图像检索方法对比

6.5.5 车辆图像检索消融实验

6.6 本章小结

参考文献

第7章 基于车牌图像超分辨率重建的车辆图像检索

7.1 引言

7.2 问题描述

7.3 车牌检测与偏斜校正

7.3.1 网络结构

7.3.2 仿射□换

7.4 车牌图像超分辨率生成对抗网络

7.4.1 生成器网络

7.4.2 相对均值判别器网络

7.4.3 损失函数

7.4.4 网络插值

7.5 基于车牌验证的车辆图像检索

7.5.1 孪生神经网络验证车牌

7.5.2 基于车牌验证的精确车辆图像检索

7.6 实验结果与分析

7.6.1 数据集

7.6.2 评价指标与实验设置

7.6.3 车牌检测方法评估

7.6.4 车牌图像超分辨率重建方法评估

7.6.5 车辆图像检索方法对比

7.6.6 车辆图像检索消融实验

7.7 本章小结

参考文献

第8章 多模型融合的渐进式车辆图像检索

8.1 引言

8.2 多模型融合的车辆图像检索框架

8.2.1 基于属性和身份学习的车辆图像检索方法

8.2.2 多模型融合的车辆图像检索框架

8.3 综合实验设计

8.3.1 车辆图像检索融合算法

8.3.2 综合实验设计

8.3.3 实验运行环境

8.4 综合实验与分析

8.4.1 车辆图像检测

8.4.2 车辆图像检索

8.5 本章小结

参考文献

附录A 本书实验用到的数据集

附录B 本书实验使用的源代码