深度学习之图像目标检测与识别方法
全新正版 极速发货
￥ 48.3 6.1折 ￥ 79 全新
库存28件
作者史朋飞 等 著
出版社电子工业出版社
ISBN9787121488122
出版时间2024-09
装帧平装
开本16开
定价79元
货号1203380541
上书时间2024-11-17
商品详情
- 品相描述：全新
- 商品描述
-
目录
第0章 绪论1
0.1 研究背景及意义1
0.2 国内外研究现状2
0.2.1 水下图像质量提升方法2
0.2.2 基于深度学习的目标检测算法研究5
0.2.3 裂缝图像分割算法研究7
0.3 本书的主要内容及章节安排如下9
参考文献12
第1章 基于UNet的图像去雾算法19
1.1 引言19
1.2 本章算法21
1.2.1 特征提取层21
1.2.2 网络结构21
1.2.3 损失函数25
1.3 实验与分析26
1.3.1 实验环境26
1.3.2 实验数据集26
1.3.3 评价指标26
1.3.4 参数设置27
1.3.5 实验结果27
1.3.6 运行时间对比31
1.4 本章小结31
参考文献31
第2章 基于特征融合GAN的图像增强算法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的数学模型36
2.3 基于特征融合GAN的图像增强算法37
2.3.1 颜色校正37
2.3.2 生成器的结构41
2.3.3 判别器的结构43
2.3.4 损失函数的选择43
2.4 实验与分析45
2.4.1 实验数据及训练45
2.4.2 实验结果47
2.4.3 消融实验50
2.5 本章小结52
参考文献53
第3章 基于ESRGAN的图像超分辨率重建算法57
3.1 引言57
3.2 ESRGAN57
3.3 基于ESRGAN的水下图像超分辨率重建算法60
3.3.1 生成器的结构60
3.3.2 相对判别器的结构63
3.3.4 损失函数的选择65
3.4 实验与分析66
3.4.1 实验数据及训练66
3.4.2 实验结果67
3.5 本章小结70
参考文献70
第4章 基于嵌套UNet的图像分割算法73
4.1 引言73
4.2 卷积神经网络的相关技术74
4.3 全卷积网络75
4.4 UNet模型78
4.5 裂缝图像分割模型Att_Nested_UNet79
4.5.1 相关研究79
4.5.2 Att_Nested_UNet的工作原理79
4.5.3 实验及结果83
4.6 本章小结87
参考文献87
第5章 基于对抗迁移学习的水下大坝裂缝图像分割算法89
5.1 引言89
5.2 相关工作90
5.2.1 裂缝图像分割90
5.2.2 水下大坝裂缝图像分割91
5.2.3 迁移学习91
5.3 本章算法92
5.3.1 网络模型92
5.3.2 对抗迁移学习94
5.3.3 损失函数95
5.4 实验与分析96
5.4.1 数据集96
5.4.2 训练策略97
5.4.3 实验结果97
5.4.4 评价指标98
5.5 本章小结100
参考文献100
第6章 基于改进Faster-RCNN的海洋生物检测算法105
6.1 引言105
6.2 相关工作105
6.3 本章算法107
6.3.1 ResNet-BiFPN简介107
6.3.2 有效交并比110
6.3.3 K-means++算法112
6.4 实验与分析114
6.4.1 实验配置及数据集114
6.4.2 评价指标114
6.4.3 实验结果115
6.5 本章小结119
参考文献119
第7章 基于YOLOv4的目标检测算法123
7.1 引言123
7.2 结合数据增强和改进YOLOv4的水下目标检测算法125
7.2.1 CBAM-CSPDarknet53125
7.2.2 DetPANet127
7.2.3 PredMix128
7.3 实验与分析130
7.3.1 实验配置及数据集130
7.3.2 实验结果131
7.4 本章小结135
参考文献135
第8章 基于RetinaNet的密集目标检测算法139
8.1 引言139
8.2 本章算法140
8.2.1 本章算法的主体框架140
8.2.2 多维注意力模块142
8.2.3 弱化的非极大值抑制算法144
8.2.4 损失函数146
8.3 实验与分析147
8.3.1 实验环境与数据集147
8.3.2 实验参数与评价指标149
8.3.3 实验过程与结果分析150
8.4 本章小结155
参考文献156
第9章 基于LSTM网络的视频图像目标实时检测算法159
9.1 引言159
9.2 长短时记忆网络和记忆引导网络160
9.2.1 长短时记忆网络160
9.2.2 记忆引导网络162
9.3 交叉检测框架165
9.3.1 交叉检测框架的思路165
9.3.2 交叉检测框架的选择166
9.4 模型训练和实验分析167
9.4.1 模型训练策略167
9.4.2 实验分析168
9.5 本章小结174
参考文献174
第10章 基于改进YOLOv4的嵌入式变电站仪表检测算法177
10.1 引言177
10.2 本章算法179
10.2.1 YOLOv4简介179
10.2.2 对YOLOv4的改进180
10.3 实验与分析183
10.3.1 数据集与实验平台183
10.3.2 数据集与实验平台184
10.3.3 计算量与模型参数对比185
10.3.4 检测速度和检测精度的对比186
10.4 本章小结188
参考文献189
内容摘要
本书介绍了深度学习在图像目标检测与识别领域的应用，主要包括基于UNet的图像去雾算法、基于特征融合GAN的图像增强算法、基于ESRGAN的图像超分辨率重建算法、基于嵌套UNet的图像分割算法、基于对抗迁移学习的水下大坝裂缝图像分割算法、基于改进Faster-RCNN的海洋生物检测算法、基于YOLOv4的目标检测算法、基于RetinaNet的密集目标检测算法、基于LSTM网络的视频图像目标实时检测、基于改进YOLOv4的嵌入式变电站仪表检测算法等。
本书可作为高等院校人工智能、智能科学与技术、计算机、自动化等专业本科生与研究生的教材，也可供深度学习相关领域的科研技术人员参考。
相关推荐
-
深度学习之图像目标检测与识别方法
全新广州
￥ 48.32
-
深度学习之图像目标检测与识别方法
全新广州
￥ 48.31
-
深度学习之图像目标检测与识别方法
全新广州
￥ 48.31
-
深度学习之图像目标检测与识别方法
全新广州
￥ 48.32
-
深度学习之图像目标检测与识别方法
全新北京
￥ 57.05
-
深度学习之图像目标检测与识别方法！
全新北京
￥ 53.36
-
深度学习之图像目标检测与识别方法
全新保定
￥ 45.03
-
深度学习之图像目标检测与识别方法
全新保定
￥ 45.82
-
深度学习之图像目标检测与识别方法
全新廊坊
￥ 52.14
-
深度学习之图像目标检测与识别方法
全新北京
￥ 54.36
— 没有更多了 —
以下为对购买帮助不大的评价