基于深度学习的目标检测与识别技术

　　本书从深度学习的发展历程开始，系统介绍了基于深度学习的目标检测的基本问题及其相关处理方法与技术，主要内容涉及两阶段和单阶段目标检测的理论、算法和研究成果。本书共6章，包括深度学习神经网络类型、目标检测技术、基于Faster R-CNN的目标检测改进算法、领域自适应及其在目标检测技术上的典型应用、图像识别模型改进及面部表情识别、结论与展望等内容。 本书主要面向人工智能、自动化、电子信息、计算机等专业高年级本科生以及控制科学与工程、信息与通信工程、计算机科学与技术等学科研究生，帮助读者了解目标检测技术的发展过程、基本知识与原理，同时也可供高校相关专业教师、科研人员和工程技术人员阅读参考。

暂缺《基于深度学习的目标检测与识别技术》作者简介

第1章深度学习神经网络类型/001
1.1深度学习简介001
1.2主要深度学习网络原理004
1.2.1堆叠自编码器005
1.2.2卷积神经网络006
1.2.3深度信念网络008
1.2.4递归神经网络009
1.2.5生成对抗网络011
1.3深度学习实际应用014
1.3.1目标检测与识别014
1.3.2语音识别016
1.3.3文本识别017
1.4深度学习面临挑战018
1.4.1理论挑战018
1.4.2工程挑战020
参考文献021

第2章基于深度学习的目标检测技术/025
2.1目标检测技术025
2.1.1目标检测概念025
2.1.2目标检测评价指标027
2.1.3目标检测数据集029
2.2目标检测方法030
2.2.1传统目标检测方法031
2.2.2深度学习目标检测方法033
2.3基于区域的两阶段检测器035
2.3.1R-CNN035
2.3.2SPPNet037
2.3.3Fast R-CNN038
2.3.4Faster R-CNN039
2.3.5FPN042
2.4基于区域的单阶段检测器042
2.4.1YOLO检测器042
2.4.2其他检测器048
2.5深度学习目标检测开源框架050
2.5.1TensorFlow框架050
2.5.2PyTorch框架051
2.5.3PaddlePaddle框架052
参考文献053

第3章基于Faster R-CNN的目标检测技术/055
3.1Faster R-CNN算法056
3.2基于Faster R-CNN的目标检测改进算法060
3.2.1特征提取层优化060
3.2.2候选区域生成改进063
3.2.3双线性插值的ROI归一化064
3.2.4确定超参数065
3.2.5优化算法参数选择067
3.2.6网络参数调整策略069
3.3实验结果及分析078
参考文献078

第4章基于领域自适应的目标检测技术/079
4.1领域自适应概述079
4.1.1领域自适应与领域泛化080
4.1.2相关概念数学描述083
4.1.3深度领域自适应方法分类085
4.1.4领域自适应的不同形式087
4.2领域自适应技术089
4.2.1无监督单源域单目标域自适应技术089
4.2.2无监督多目标域自适应技术091
4.3领域自适应的目标检测技术094
4.3.1基于领域渐进策略的目标检测技术095
4.3.2基于Faster R-CNN的领域自适应目标检测技术099
参考文献104

第5章基于深度学习的图像识别技术/106
5.1图像识别模型介绍106
5.2图像识别模型改进算法109
5.2.1最小加权随机搜索算法109
5.2.2E-S判断方法112
5.2.3构建小型卷积神经网络113
5.2.4改进算法的执行过程114
5.3基于改进算法的三种改进模型117
5.4实验结果及分析121
5.5融入注意力机制的残差网络面部表情识别方法129
5.5.1注意力机制130
5.5.2残差网络134
5.5.3面部表情识别136
5.5.4融入注意力的残差网络人脸表情识别方法138
5.5.5实现过程145
5.5.6结论146
参考文献149

第6章结论与展望/152
6.1结论152
6.2发展趋势153
6.3目标检测应用面临的挑战155
参考文献158