深度学习——智能机器人应用的理论与实践电子书

书名页

内容提要

作者简介

前言

第一章　绪论

1.1　自然智能与机器智能

1.1.1　自然智能

1.1.2　机器智能

1.2　机器获取知识的途径：机器学习

1.2.1　机器学习的概念

1.2.2　基本机器学习模型

1.3　机器认知智能的实现途径：神经网络

1.3.1　生物神经网络

1.3.2　人工神经网络与神经元模型

1.4　深度学习的前沿发展及其应用

1.4.1　深度学习

1.4.2　大语言模型

1.4.3　ChatGPT：智能对话机器人

1.4.4　OpenAI Codex：代码生成与辅助编程

1.5　深度学习与智能机器人

1.5.1　智能机器人的定义与目标

1.5.2　智能机器人与工业机器人的区别

1.5.3　智能机器人的环境多模态感知

1.6　本章小结

第二章　机器学习的数学基础

2.1　标量、向量、矩阵和张量

2.2　矩阵和向量相乘

2.2.1　矩阵和向量相乘的规则

2.2.2　矩阵和向量相乘的性质

2.2.3　矩阵乘法的计算方法

2.2.4　矩阵乘法在神经网络中的应用

2.3　导数

2.3.1　一般运算法则

2.3.2　链式求导法则

2.4　度量标准

2.4.1　误差

2.4.2　距离

2.4.3　相似度

2.5　概率分布

2.5.1　二项分布

2.5.2　正态分布

2.6　本章小结

第三章　机器学习的构成及理论基础

3.1　机器学习基础概念

3.1.1　人类学习与机器学习

3.1.2　机器学习的研究内容

3.1.3　机器学习系统的基本构成

3.2　机器学习的分类

3.2.1　监督学习

3.2.2　半监督学习

3.2.3　无监督学习

3.2.4　强化学习

3.3　机器学习的重要参数

3.3.1　学习率

3.3.2　动量系数

3.3.3　偏置项

3.4　拟合问题

3.4.1　过拟合问题

3.4.2　欠拟合问题

3.5　交叉验证

3.5.1　数据类型与选择方法

3.5.2　留一交叉验证

3.5.3　K折交叉验证

3.6　回归分析

3.6.1　线性回归

3.6.2　逻辑回归

3.7　评价指标

3.8　本章小结

第四章　神经网络构成及理论基础

4.1　神经网络概述

4.1.1　深度学习和神经网络间的关系

4.1.2　神经网络的深度和宽度

4.2　常见的神经网络类型

4.2.1　全连接神经网络

4.2.2　卷积神经网络

4.2.3　循环神经网络

4.3　神经网络设计的核心问题

4.3.1　定义神经网络结构

4.3.2　选择损失函数

4.3.3　选择激活函数

4.4　神经网络最优化过程

4.4.1　梯度下降算法

4.4.2　正向传播算法

4.4.3　反向传播算法

4.4.4　BP神经网络

4.5　其他神经网络与深度学习

4.5.1　生成对抗网络

4.5.2　深度信念网络

4.5.3　迁移学习

4.6　PyTorch和PaddlePaddle简介

4.6.1　PyTorch

4.6.2　PaddlePaddle

4.7　本章小结

第五章　卷积神经网络

5.1　卷积神经网络概述

5.1.1　发展历程和实际应用

5.1.2　基本组成

5.2　卷积神经网络的特征

5.2.1　连接稀疏性

5.2.2　参数共享机制

5.3　卷积神经网络中的反向传播算法

5.4　其他卷积方式

5.4.1　转置卷积

5.4.2　空洞卷积

5.4.3　分组卷积和深度分离卷积

5.5　卷积神经网络的典型模型

5.5.1　LeNet-5

5.5.2　AlexNet

5.5.3　VGGNet

5.5.4　GoogLeNet

5.5.5　ResNet

5.5.6　MobileNet和ShuffleNet

5.5.7　MMDetection框架搭建并实现训练与测试

5.6　本章小结

第六章　循环神经网络

6.1　循环神经网络概述

6.1.1　背景

6.1.2　概念

6.1.3　基本结构

6.2　循环神经网络分类

6.2.1　单向循环神经网络

6.2.2　双向循环神经网络

6.2.3　深度循环神经网络

6.3　模型训练与优化

6.3.1　随时间反向传播算法

6.3.2　实时循环学习算法

6.4　长短时记忆网络

6.4.1　原理讲解

6.4.2　代码讲解

6.5　递归神经网络

6.5.1　原理讲解

6.5.2　代码讲解

6.6　门控循环单元网络

6.6.1　原理讲解

6.6.2　代码

6.7　本章小结

第七章　注意力机制与外部记忆

7.1　认知神经学中的注意力

7.2　注意力机制

7.2.1　注意力机制原理

7.2.2　注意力机制的变体

7.3　自注意力机制

7.3.1　自注意力机制原理

7.3.2　Transformer

7.4　人脑中的记忆

7.5　记忆增强神经网络

7.5.1　外部记忆

7.5.2　端到端记忆网络

7.5.3　神经图灵机

7.6　计算机视觉中的注意力机制

7.6.1　计算机视觉中的注意力机制发展历程

7.6.2　通道注意力机制

7.6.3　空间注意力机制

7.6.4　时间注意力机制

7.6.5　分支注意力机制

7.6.6　通道和空间注意力机制

7.6.7　时空注意力机制

7.6.8　注意力模块添加的案例介绍

7.7　本章小结

第八章　深度学习调优方法

8.1　数据方面

8.1.1　数据清洗

8.1.2　数据增强

8.1.3　数据降噪

8.1.4　数据归一化

8.2　模型结构方面

8.2.1　注意力机制

8.2.2　特征金字塔

8.2.3　残差结构

8.2.4　确定网络层数

8.3　模型参数方面

8.3.1　学习率调整

8.3.2　参数初始化

8.3.3　网络正则化

8.3.4　预训练模型的迁移学习

8.4　本章小结

第九章　智能机器人的视觉感知方法与视觉处理技术

9.1　经典的视觉感知方案

9.1.1　视觉信息获取

9.1.2　视觉显著性检测

9.1.3　光学系统的设计

9.2　视觉感知的传统处理方法

9.2.1　图像处理基础

9.2.2　传统的图像特征提取

9.2.3　传统的目标检测和识别

9.3　基于机器学习的视觉感知方法

9.3.1　集成学习

9.3.2　局部二值模式

9.3.3　特征点匹配方法

9.3.4　方向梯度直方图

9.3.5　支持向量机

9.4　基于深度学习的视觉感知方法

9.4.1　经典的视觉感知网络结构

9.4.2　基于深度学习的目标感知

9.5　面向少量样本学习的视觉感知方法

9.5.1　孪生神经网络

9.5.2　零样本学习

9.6　本章小结

第十章　智能机器人的定位与导航规划技术

10.1　地图表示与构建

10.1.1　地图表示

10.1.2　地图构建

10.2　移动机器人定位

10.2.1　传感器技术

10.2.2　定位方法

10.3　导航规划

10.3.1　导航技术

10.3.2　规划技术

10.4　机器人运动控制

10.4.1　PID控制

10.4.2　模型预测控制

10.4.3　轨迹追踪

10.5　多AGV任务调度及路径规划技术

10.5.1　AGV调度系统任务描述

10.5.2　AGV任务调度功能

10.5.3　AGV的路径规划算法

10.5.4　多AGV的冲突和避障算法

10.6　本章小结

第十一章　基于深度学习的表面缺陷检测技术

11.1　表面缺陷检测技术研究

11.1.1　研究背景与意义

11.1.2　国内外研究现状

11.2　基于机器视觉的表面缺陷检测技术

11.2.1　机器视觉中的图像处理技术

11.2.2　基于机器视觉的表面缺陷检测过程

11.2.3　基于深度学习的表面缺陷检测技术

11.3　具体案例：液晶面板电极缺陷检测技术

11.3.1　液晶面板电极缺陷

11.3.2　基于深度学习的液晶面板电极缺陷检测方法

11.3.3　实验结果和性能评估

11.4　本章小结

第十二章　基于深度学习的人机协作动作识别

12.1　人机协作动作识别技术研究

12.1.1　研究背景与意义

12.1.2　国内外研究现状

12.1.3　动作识别模型

12.2　人机协作应用

12.2.1　动作识别技术在人机协作中的应用

12.2.2　动作识别技术在虚拟现实领域中的应用

12.3　人机协作中的动作识别问题

12.3.1　动作识别问题定义

12.3.2　动作特征的提取

12.3.3　动作识别模型的构建

12.3.4　人机协作场景中的动作识别

12.4　具体案例：基于深度学习的动作识别

12.4.1　动作视频采集设备的选择

12.4.2　环境设置和数据采集

12.4.3　数据处理

12.4.4　模型训练

12.4.5　动作识别模型的性能评估

12.5　前沿拓展：基于肌电信号及脑机设备的动作识别

12.6　本章小结

第十三章　基于深度学习的机器人视觉抓取

13.1　研究背景及意义

13.1.1　机器人视觉抓取技术应用

13.1.2　机器人视觉抓取技术发展

13.2　深度学习在机器人视觉抓取中的应用及研究现状

13.2.1　目标检测定位

13.2.2　位姿估计

13.2.3　抓取点检测

13.3　基于深度学习的机器人视觉抓取问题描述

13.3.1　机器人抓取任务分类

13.3.2　机器人抓取位姿表示

13.3.3　抓取检测数据集

13.4　机器人视觉系统标定与坐标转换

13.4.1　相机成像原理

13.4.2　相机标定

13.4.3　手眼标定

13.5　具体实例：抓取位姿检测

13.5.1　判别式抓取检测

13.5.2　生成式抓取检测

13.5.3　从零开始训练抓取检测模型：GGCNN

13.6　基于深度学习的机器人视觉抓取技术挑战和未来发展方向

13.7　本章小结

参考文献