深度学习之图像目标检测与识别方法

参考文献

10.4 本章小结

10.3.4 检测速度和检测精度的对比

10.3.3 计算量与模型参数对比

10.3.2 数据集与实验平台

10.3.1 数据集与实验平台

10.3 实验与分析

10.2.2 对YOLOv4的改进

10.2.1 YOLOv4简介

10.2 本章算法

10.1 引言

第10章 基于改进YOLOv4的嵌入式变电站仪表检测算法

参考文献

9.5 本章小结

9.4.2 实验分析

9.4.1 模型训练策略

9.4 模型训练和实验分析

9.3.2 交叉检测框架的选择

9.3.1 交叉检测框架的思路

9.3 交叉检测框架

9.2.2 记忆引导网络

9.2.1 长短时记忆网络

9.2 长短时记忆网络和记忆引导网络

9.1 引言

第9章 基于LSTM网络的视频图像目标实时检测算法

参考文献

8.4 本章小结

8.3.3 实验过程与结果分析

8.3.2 实验参数与评价指标

8.3.1 实验环境与数据集

8.3 实验与分析

8.2.4 损失函数

8.2.3 弱化的非极大值抑制算法

8.2.2 多维注意力模块

8.2.1 本章算法的主体框架

8.2 本章算法

8.1 引言

第8章 基于RetinaNet的密集目标检测算法

参考文献

7.4 本章小结

7.3.2 实验结果

7.3.1 实验配置及数据集

7.3 实验与分析

7.2.3 PredMix

7.2.2 DetPANet

7.2.1 CBAM-CSPDarknet53

7.2 结合数据增强和改进YOLOv4的水下目标检测算法

7.1 引言

第7章 基于YOLOv4的目标检测算法

参考文献

6.5 本章小结

6.4.3 实验结果

6.4.2 评价指标

6.4.1 实验配置及数据集

6.4 实验与分析

6.3.3 K-means++算法

6.3.2 有效交并比

6.3.1 ResNet-BiFPN简介

6.3 本章算法

6.2 相关工作

6.1 引言

第6章 基于改进Faster-RCNN的海洋生物检测算法

参考文献

5.5 本章小结

5.4.4 评价指标

5.4.3 实验结果

5.4.2 训练策略

5.4.1 数据集

5.4 实验与分析

5.3.3 损失函数

5.3.2 对抗迁移学习

5.3.1 网络模型

5.3 本章算法

5.2.3 迁移学习

5.2.2 水下大坝裂缝图像分割

5.2.1 裂缝图像分割

5.2 相关工作

5.1 引言

第5章 基于对抗迁移学习的水下大坝裂缝图像分割算法

参考文献

4.6 本章小结

4.5.3 实验及结果

4.5.2 Att_Nested_UNet的工作原理

4.5.1 相关研究

4.5 裂缝图像分割模型Att_Nested_UNet

4.4 UNet模型

4.3 全卷积网络

4.2 卷积神经网络的相关技术

4.1 引言

第4章 基于嵌套UNet的图像分割算法

参考文献

3.5 本章小结

3.4.2 实验结果

3.4.1 实验数据及训练

3.4 实验与分析

3.3.3 损失函数的选择

3.3.2 相对判别器的结构

3.3.1 生成器的结构

3.3 基于ESRGAN的水下图像超分辨率重建算法

3.2 ESRGAN

3.1 引言

第3章 基于ESRGAN的图像超分辨率重建算法

参考文献

2.5 本章小结

2.4.3 消融实验

2.4.2 实验结果

2.4.1 实验数据及训练

2.4 实验与分析

2.3.4 损失函数的选择

2.3.3 判别器的结构

2.3.2 生成器的结构

2.3.1 颜色校正

2.3 基于特征融合GAN的图像增强算法

2.2.2 GAN的数学模型

2.2.1 GAN的基本概念

2.2 GAN概述

2.1 引言

第2章 基于特征融合GAN的图像增强算法

参考文献

1.4 本章小结

1.3.6 运行时间对比

1.3.5 实验结果

1.3.4 参数设置

1.3.3 评价指标

1.3.2 实验数据集

1.3.1 实验环境

1.3 实验与分析

1.2.3 损失函数

1.2.2 网络结构

1.2.1 特征提取层

1.2 本章算法

1.1 引言

第1章 基于UNet的图像去雾算法

参考文献

0.3 本书的主要内容及章节安排如下

0.2.3 裂缝图像分割算法研究

0.2.2 基于深度学习的目标检测算法研究

0.2.1 水下图像质量提升方法

0.2 国内外研究现状

0.1 研究背景及意义

第0章 绪论

前言

作者简介

内容简介

版权信息

封面

封面

版权信息

内容简介

作者简介

前言

第0章 绪论

0.1 研究背景及意义

0.2 国内外研究现状

0.2.1 水下图像质量提升方法

0.2.2 基于深度学习的目标检测算法研究

0.2.3 裂缝图像分割算法研究

0.3 本书的主要内容及章节安排如下

参考文献

第1章 基于UNet的图像去雾算法

1.1 引言

1.2 本章算法

1.2.1 特征提取层

1.2.2 网络结构

1.2.3 损失函数

1.3 实验与分析

1.3.1 实验环境

1.3.2 实验数据集

1.3.3 评价指标

1.3.4 参数设置

1.3.5 实验结果

1.3.6 运行时间对比

1.4 本章小结

参考文献

第2章 基于特征融合GAN的图像增强算法

2.1 引言

2.2 GAN概述

2.2.1 GAN的基本概念

2.2.2 GAN的数学模型

2.3 基于特征融合GAN的图像增强算法

2.3.1 颜色校正

2.3.2 生成器的结构

2.3.3 判别器的结构

2.3.4 损失函数的选择

2.4 实验与分析

2.4.1 实验数据及训练

2.4.2 实验结果

2.4.3 消融实验

2.5 本章小结

参考文献

第3章 基于ESRGAN的图像超分辨率重建算法

3.1 引言

3.2 ESRGAN

3.3 基于ESRGAN的水下图像超分辨率重建算法

3.3.1 生成器的结构

3.3.2 相对判别器的结构

3.3.3 损失函数的选择

3.4 实验与分析

3.4.1 实验数据及训练

3.4.2 实验结果

3.5 本章小结

参考文献

第4章 基于嵌套UNet的图像分割算法

4.1 引言

4.2 卷积神经网络的相关技术

4.3 全卷积网络

4.4 UNet模型

4.5 裂缝图像分割模型Att_Nested_UNet

4.5.1 相关研究

4.5.2 Att_Nested_UNet的工作原理

4.5.3 实验及结果

4.6 本章小结

参考文献

第5章 基于对抗迁移学习的水下大坝裂缝图像分割算法

5.1 引言

5.2 相关工作

5.2.1 裂缝图像分割

5.2.2 水下大坝裂缝图像分割

5.2.3 迁移学习

5.3 本章算法

5.3.1 网络模型

5.3.2 对抗迁移学习

5.3.3 损失函数

5.4 实验与分析

5.4.1 数据集

5.4.2 训练策略

5.4.3 实验结果

5.4.4 评价指标

5.5 本章小结

参考文献

第6章 基于改进Faster-RCNN的海洋生物检测算法

6.1 引言

6.2 相关工作

6.3 本章算法

6.3.1 ResNet-BiFPN简介

6.3.2 有效交并比

6.3.3 K-means++算法

6.4 实验与分析

6.4.1 实验配置及数据集

6.4.2 评价指标

6.4.3 实验结果

6.5 本章小结

参考文献

第7章 基于YOLOv4的目标检测算法

7.1 引言

7.2 结合数据增强和改进YOLOv4的水下目标检测算法

7.2.1 CBAM-CSPDarknet53

7.2.2 DetPANet

7.2.3 PredMix

7.3 实验与分析

7.3.1 实验配置及数据集

7.3.2 实验结果

7.4 本章小结

参考文献

第8章 基于RetinaNet的密集目标检测算法

8.1 引言

8.2 本章算法

8.2.1 本章算法的主体框架

8.2.2 多维注意力模块

8.2.3 弱化的非极大值抑制算法

8.2.4 损失函数

8.3 实验与分析

8.3.1 实验环境与数据集

8.3.2 实验参数与评价指标

8.3.3 实验过程与结果分析

8.4 本章小结

参考文献

第9章 基于LSTM网络的视频图像目标实时检测算法

9.1 引言

9.2 长短时记忆网络和记忆引导网络

9.2.1 长短时记忆网络

9.2.2 记忆引导网络

9.3 交叉检测框架

9.3.1 交叉检测框架的思路

9.3.2 交叉检测框架的选择

9.4 模型训练和实验分析

9.4.1 模型训练策略

9.4.2 实验分析

9.5 本章小结

参考文献

第10章 基于改进YOLOv4的嵌入式变电站仪表检测算法

10.1 引言

10.2 本章算法

10.2.1 YOLOv4简介

10.2.2 对YOLOv4的改进

10.3 实验与分析

10.3.1 数据集与实验平台

10.3.2 数据集与实验平台

10.3.3 计算量与模型参数对比

10.3.4 检测速度和检测精度的对比

10.4 本章小结

参考文献