深度学习与目标检测

　　本书的写作初衷是，从学者的角度，用一种通俗易懂的方式，把与基于深度学习的目标检测的相关论文中的理论和方法呈现给读者，同时针对作者在深度学习教学过程中遇到的难点，进行深入的分析和讲解。本书侧重对卷积神经网络的介绍，而深度学习的内容不止于此。所以，作者将深度学习分为有监督学习、无监督学习和强化学习三类，将图像分类、目标检测、语音识别、人脸识别、对抗生成网络和AlphaGo围棋等应用场景归入不同的类别，并分别对其原理进行了概括性的讲解。 本书适合有一定深度学习或目标检测学习基础的学生、研究者、从业者阅读。

暂缺《深度学习与目标检测》作者简介

基础篇

第1章 深度学习概述  2

1.1 深度学习发展简史  2

1.2 有监督学习  4

1.2.1 图像分类  4

1.2.2 目标检测  6

1.2.3 人脸识别  10

1.2.4 语音识别  13

1.3 无监督学习  18

1.3.1 无监督学习概述  18

1.3.2 生成对抗网络  18

1.4 强化学习  21

1.4.1 AlphaGo  21

1.4.2 AlphaGo Zero  23

1.5 小结  25

参考文献  25

第2章 深度神经网络  27

2.1 神经元  27

2.2 感知机  30

2.3 前向传递  32

2.3.1 前向传递的流程  32

2.3.2 激活函数  33

2.3.3 损失函数  37

2.4 后向传递  40

2.4.1 后向传递的流程  40

2.4.2 梯度下降  40

2.4.3 参数修正  42

2.5 防止过拟合  44

2.5.1 dropout  44

2.5.2 正则化  45

2.6 小结  46

第3章 卷积神经网络  47

3.1 卷积层  48

3.1.1 valid 卷积  48

3.1.2 full 卷积  50

3.1.3 same 卷积  51

3.2 池化层  52

3.3 反卷积  53

3.4 感受野  55

3.5 卷积网络实例  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 小结  76

进阶篇

第4章 两阶段目标检测方法  78

4.1 R-CNN  78

4.1.1 算法流程  79

4.1.2 训练过程  80

4.2 SPP-Net  83

4.2.1 网络结构  84

4.2.2 空间金字塔池化  84

4.3 Fast R-CNN  86

4.3.1 感兴趣区域池化层  86

4.3.2 网络结构  88

4.3.3 全连接层计算加速  89

4.3.4 目标分类  90

4.3.5 边界框回归  91

4.3.6 训练过程  93

4.4 Faster R-CNN  96

4.4.1 网络结构  97

4.4.2 RPN  98

4.4.3 训练过程  104

4.5 R-FCN  106

4.5.1 R-FCN 网络结构  107

4.5.2 位置敏感的分数图  108

4.5.3 位置敏感的RoI 池化  109

4.5.4 R-FCN 损失函数  110

4.5.5 Caffe 网络模型解析  111

4.6 Mask R-CNN  115

4.6.1 实例分割简介  115

4.6.2 COCO 数据集的像素级标注  116

4.6.3 网络结构  117

4.6.4 U-Net  121

4.6.5 SegNet  122

4.7 小结  123

第5章 单阶段目标检测方法  124

5.1 SSD  124

5.1.1 default box  125

5.1.2 网络结构  125

5.1.3 Caffe 网络模型解析  126

5.1.4 训练过程  134

5.2 RetinaNet  136

5.2.1 FPN  136

5.2.2 聚焦损失函数  138

5.3 RefineDet  139

5.3.1 网络模型  140

5.3.2 Caffe 网络模型解析  142

5.3.3 训练过程  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 目标检测算法应用  159

5.5.1 高速公路坑洞检测  159

5.5.2 息肉检测  160

5.6 小结  162

应用篇

第6章 肋骨骨折检测  164

6.1 国内外研究现状  165

6.2 解决方案  166

6.3 预处理  166

6.4 肋骨骨折检测  167

6.5 实验结果分析  168

6.6 小结  170

参考文献  171

第7章 肺结节检测  172

7.1 国内外研究现状  172

7.1.1 肺结节可疑位置推荐算法  173

7.1.2 假阳性肺结节抑制算法  173

7.2 总体框架  174

7.2.1 肺结节数据集  174

7.2.2 肺结节检测难点  175

7.2.3 算法框架  175

7.3 肺结节可疑位置推荐算法  176

7.3.1 CT图像的预处理  177

7.3.2 肺结节分割算法  178

7.3.3 优化方法  180

7.3.4 推断方法  182

7.4 可疑肺结节定位算法  183

7.5 实验结果与分析  184

7.5.1 实验结果  184

7.5.2 改进点效果分析  184

7.6 假阳性肺结节抑制算法  186

7.6.1 假阳性肺结节抑制网络  186

7.6.2 优化策略  190

7.6.3 推断策略  192

7.7 实验结果与分析  192

7.7.1 实验结果  193

7.7.2 改进点效果分析  193

7.7.3 可疑位置推荐与假阳抑制算法整合  194

7.8 小结  195

参考文献  195

第8章 车道线检测  198

8.1 国内外研究现状  198

8.2 主要研究内容  200

8.2.1 总体解决方案  200

8.2.2 各阶段概述  201

8.3 车道线检测系统的设计与实现  204

8.3.1 车道线图像数据标注与筛选  205

8.3.2 车道线图片预处理  206

8.3.3 车道线分割模型训练  211

8.3.4 车道线检测  220

8.3.5 车道线检测结果  224

8.4 车道线检测系统的性能测试  224

8.4.1 车道线检测质量测试  224

8.4.2 车道线检测时间测试  226

8.5 小结  227

参考文献  227

第9章 交通视频分析  229

9.1 国内外研究现状  230

9.2 主要研究内容  231

9.2.1 总体设计  231

9.2.2 精度和性能要求  232

9.3 交通视频分析  232

9.3.1 车辆检测和车牌检测  233

9.3.2 车牌识别功能设计详解  235

9.3.3 车辆品牌及颜色的识别  243

9.3.4 目标跟踪设计详解  244

9.4 系统测试  247

9.4.1 车辆检测  248

9.4.2 车牌检测  251

9.4.3 车牌识别  253

9.4.4 车辆品牌识别  256

9.4.5 目标跟踪  259

9.5 小结  259

参考文献  260