书籍详情
领域自适应目标检测方法与应用
作者：叶茂，唐宋，李旭冬
出版社：科学出版社
出版时间：2019-01-01
ISBN：9787030576392
定价：¥136.00
购买这本书可以去
内容简介
国务院印发的《“十三五”国家科技创新规划》提出要把图像智能分析作为人工智能的关键技术。图像智能分析的关键步骤之一是目标检测，当把训练好的目标检测方法应用于新场景时，由于工作环境的变动，目标检测效果通常会迅速下降。《领域自适应目标检测方法与应用》围绕领域自适应目标检测方法开展了两方面的研究：面向监控场景的有监督、无监督目标检测迁移方法研究和基于记忆预测机制的目标检测方法研究。《领域自适应目标检测方法与应用》成果能广泛应用于智能视频监控、车辆自动驾驶、视觉人机交互等领域。
作者简介
暂缺《领域自适应目标检测方法与应用》作者简介
目录
目录
第1章 绪论 1
1.1 背景及意义 1
1.2 目标检测研究现状 3
1.2.1 目标检测方法概述 3
1.2.2 基于分类卷积神经网络的目标检测方法 6
1.2.3 基于回归卷积神经网络的目标检测方法 10
1.3 目标检测迁移学习研究现状 13
1.3.1 领域自适应目标分类方法 14
1.3.2 领域自适应目标检测方法 19
1.4 问题与不足 22
1.5 研究内容及主要贡献 22
第2章 卷积神经网络及其在车辆检测中的应用案例 26
2.1 卷积神经网络 26
2.1.1 发展过程 26
2.1.2 基本结构 27
2.1.3 训练方法 30
2.1.4 研究进展 30
2.1.5 常用模型 32
2.2 基于卷积神经网络的车辆检测方法 33
2.2.1 引言 33
2.2.2 模型设计 35
2.2.3 实验分析 37
2.3 本章小结 41
第3章 面向监控场景的车辆检测器迁移方法 42
3.1 引言 42
3.2 方法概述 44
3.3 迁移车辆检测器 45
3.3.1 迁移特征 45
3.3.2 优化结构 47
3.3.3 调整网络 48
3.4 实验分析 50
3.4.1 UIUC 车辆数据集 51
3.4.2 MIT 交通数据集 53
3.4.3 UESTC 道路数据集 56
3.4.4 讨论分析 57
3.5 本章小结 59
第4章 面向监控场景的目标检测器构建方法 60
4.1 引言 60
4.2 方法概述 62
4.3 迁移卷积神经网络 64
4.3.1 预训练后的卷积神经网络 64
4.3.2 选择可用卷积核 64
4.4 学习上下文信息 66
4.4.1 上下文卷积神经网络 66
4.4.2 参数训练过程 69
4.5 估计边界框 72
4.6 实验分析 72
4.6.1 实验数据 72
4.6.2 实验设置 74
4.6.3 行人检测 75
4.6.4 参数分析 78
4.6.5 车辆检测 82
4.7 本章小结 84
第5章 基于分类器回归迁移方法的行人检测研究 85
5.1 研究现状与问题形成 85
5.2 预备知识 87
5.2.1 自编码器神经网络 87
5.2.2 ESVM 分类器 90
5.2.3 问题定义 91
5.3 源域数据集 91
5.4 分类器回归模型框架 93
5.4.1 回归标签数据的准备 94
5.4.2 基于自编码器的回归标签数据降维 95
5.4.3 基于两阶段回归网络的映射学习 97
5.5 基于分类器回归的行人检测框架 99
5.6 实验 101
5.6.1 目标应用场景介绍 101
5.6.2 实验设置 103
5.6.3 在目标场景上的对比实验 104
5.6.4 分析前端通用检测器对性能的影响 108
5.6.5 验证两阶段回归方案的有效性 109
5.6.6 如何确定回归标签数据的降维程度 110
5.7 本章小结 111
第6章 基于自适应分类器调整迁移方法的行人检测研究 113
6.1 研究现状与问题形成 113
6.2 预备知识 115
6.2.1 单层感知机的几何意义 116
6.2.2 问题定义 117
6.3 CNNDAC的算法框架 118
6.4 模型训练方法 118
6.4.1 CCNN子网络训练方法 120
6.4.2 MNN子网络训练方法 123
6.4.3 训练技巧 124
6.5 检测流程 125
6.6 实验 126
6.6.1 实验设置 126
6.6.2 在目标域应用场景上的对比实验 129
6.6.3 验证分类器调整的自适应性 133
6.6.4 验证CNNDAC中主要技术的有效性 135
6.7 本章小结 136
第7章 基于自适应特征调控迁移方法的行人检测研究 137
7.1 研究现状与问题形成 137
7.2 预备知识 139
7.2.1 卷积计算 140
7.2.2 池化操作 141
7.2.3 卷积神经网络 142
7.3 MCNN的算法框架 147
7.4 模型训练方法 149
7.4.1 DyNN子网络训练方法 149
7.4.2 MNN子网络训练方法 149
7.4.3 检测流程 152
7.5 实验 152
7.5.1 实验设置 152
7.5.2 在目标域应用场景上的检测结果 153
7.5.3 验证特征图权重预测的自适应性 157
7.5.4 验证特征图权重预测技术的有效性 159
7.6 本书所提三种域自适应目标检测方法的横向对比 160
7.7 本章小结 163
第8章 基于记忆预测的目标检测方法 164
8.1 引言 164
8.2 方法概述 166
8.3 基于记忆预测的分类模型 167
8.3.1 序列生成 167
8.3.2 特征提取 168
8.3.3 记忆存储 168
8.3.4 训练策略 169
8.4 基于记忆预测的回归模型 170
8.4.1 目标检测流程 170
8.4.2 回复式卷积神经网络 171
8.5 实验分析 172
8.5.1 实现细节 172
8.5.2 行人检测 173
8.5.3 分析讨论 177
8.5.4 车辆检测 180
8.6 本章小结 182
第9章 基于序列学习的行人检测方法 184
9.1 引言 184
9.2 方法概述 186
9.3 基于记忆预测的序列学习模型 188
9.3.1 序列生成 188
9.3.2 特征提取 188
9.3.3 次序交换 189
9.3.4 记忆存储 190
9.3.5 联合学习 191
9.4 基于序列学习的行人检测模型 193
9.5 实验分析 193
9.5.1 实现细节 193
9.5.2 INRIA行人数据集 194
9.5.3 TUD行人数据集 195
9.5.4 分析讨论 197
9.6 本章小结 199
第10章 总结与展望 200
10.1 全文总结 200
10.2 工作展望 202
参考文献 204
索引 224
第1章 绪论 1
1.1 背景及意义 1
1.2 目标检测研究现状 3
1.2.1 目标检测方法概述 3
1.2.2 基于分类卷积神经网络的目标检测方法 6
1.2.3 基于回归卷积神经网络的目标检测方法 10
1.3 目标检测迁移学习研究现状 13
1.3.1 领域自适应目标分类方法 14
1.3.2 领域自适应目标检测方法 19
1.4 问题与不足 22
1.5 研究内容及主要贡献 22
第2章 卷积神经网络及其在车辆检测中的应用案例 26
2.1 卷积神经网络 26
2.1.1 发展过程 26
2.1.2 基本结构 27
2.1.3 训练方法 30
2.1.4 研究进展 30
2.1.5 常用模型 32
2.2 基于卷积神经网络的车辆检测方法 33
2.2.1 引言 33
2.2.2 模型设计 35
2.2.3 实验分析 37
2.3 本章小结 41
第3章 面向监控场景的车辆检测器迁移方法 42
3.1 引言 42
3.2 方法概述 44
3.3 迁移车辆检测器 45
3.3.1 迁移特征 45
3.3.2 优化结构 47
3.3.3 调整网络 48
3.4 实验分析 50
3.4.1 UIUC 车辆数据集 51
3.4.2 MIT 交通数据集 53
3.4.3 UESTC 道路数据集 56
3.4.4 讨论分析 57
3.5 本章小结 59
第4章 面向监控场景的目标检测器构建方法 60
4.1 引言 60
4.2 方法概述 62
4.3 迁移卷积神经网络 64
4.3.1 预训练后的卷积神经网络 64
4.3.2 选择可用卷积核 64
4.4 学习上下文信息 66
4.4.1 上下文卷积神经网络 66
4.4.2 参数训练过程 69
4.5 估计边界框 72
4.6 实验分析 72
4.6.1 实验数据 72
4.6.2 实验设置 74
4.6.3 行人检测 75
4.6.4 参数分析 78
4.6.5 车辆检测 82
4.7 本章小结 84
第5章 基于分类器回归迁移方法的行人检测研究 85
5.1 研究现状与问题形成 85
5.2 预备知识 87
5.2.1 自编码器神经网络 87
5.2.2 ESVM 分类器 90
5.2.3 问题定义 91
5.3 源域数据集 91
5.4 分类器回归模型框架 93
5.4.1 回归标签数据的准备 94
5.4.2 基于自编码器的回归标签数据降维 95
5.4.3 基于两阶段回归网络的映射学习 97
5.5 基于分类器回归的行人检测框架 99
5.6 实验 101
5.6.1 目标应用场景介绍 101
5.6.2 实验设置 103
5.6.3 在目标场景上的对比实验 104
5.6.4 分析前端通用检测器对性能的影响 108
5.6.5 验证两阶段回归方案的有效性 109
5.6.6 如何确定回归标签数据的降维程度 110
5.7 本章小结 111
第6章 基于自适应分类器调整迁移方法的行人检测研究 113
6.1 研究现状与问题形成 113
6.2 预备知识 115
6.2.1 单层感知机的几何意义 116
6.2.2 问题定义 117
6.3 CNNDAC的算法框架 118
6.4 模型训练方法 118
6.4.1 CCNN子网络训练方法 120
6.4.2 MNN子网络训练方法 123
6.4.3 训练技巧 124
6.5 检测流程 125
6.6 实验 126
6.6.1 实验设置 126
6.6.2 在目标域应用场景上的对比实验 129
6.6.3 验证分类器调整的自适应性 133
6.6.4 验证CNNDAC中主要技术的有效性 135
6.7 本章小结 136
第7章 基于自适应特征调控迁移方法的行人检测研究 137
7.1 研究现状与问题形成 137
7.2 预备知识 139
7.2.1 卷积计算 140
7.2.2 池化操作 141
7.2.3 卷积神经网络 142
7.3 MCNN的算法框架 147
7.4 模型训练方法 149
7.4.1 DyNN子网络训练方法 149
7.4.2 MNN子网络训练方法 149
7.4.3 检测流程 152
7.5 实验 152
7.5.1 实验设置 152
7.5.2 在目标域应用场景上的检测结果 153
7.5.3 验证特征图权重预测的自适应性 157
7.5.4 验证特征图权重预测技术的有效性 159
7.6 本书所提三种域自适应目标检测方法的横向对比 160
7.7 本章小结 163
第8章 基于记忆预测的目标检测方法 164
8.1 引言 164
8.2 方法概述 166
8.3 基于记忆预测的分类模型 167
8.3.1 序列生成 167
8.3.2 特征提取 168
8.3.3 记忆存储 168
8.3.4 训练策略 169
8.4 基于记忆预测的回归模型 170
8.4.1 目标检测流程 170
8.4.2 回复式卷积神经网络 171
8.5 实验分析 172
8.5.1 实现细节 172
8.5.2 行人检测 173
8.5.3 分析讨论 177
8.5.4 车辆检测 180
8.6 本章小结 182
第9章 基于序列学习的行人检测方法 184
9.1 引言 184
9.2 方法概述 186
9.3 基于记忆预测的序列学习模型 188
9.3.1 序列生成 188
9.3.2 特征提取 188
9.3.3 次序交换 189
9.3.4 记忆存储 190
9.3.5 联合学习 191
9.4 基于序列学习的行人检测模型 193
9.5 实验分析 193
9.5.1 实现细节 193
9.5.2 INRIA行人数据集 194
9.5.3 TUD行人数据集 195
9.5.4 分析讨论 197
9.6 本章小结 199
第10章 总结与展望 200
10.1 全文总结 200
10.2 工作展望 202
参考文献 204
索引 224
猜您喜欢
