本书主要介绍了深度学习中的目标识别与检测算法，包括基于Faster R-CNN的目标检测改算法、图像识别模型改算法、融注意力的残差网络面部表情识别算法等。 本书特色： 1.本书内容精炼，算法理论的讲述针对性较强，辅以实验验证，由浅深，易于读者理解； 2.本书数据翔实，讲解清晰有条理，对AI从业者有较大的参考价值。
售 价：¥
纸质售价：¥43.80购买纸书
6.4
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
书名页
内容提要
前言
第1章 深度学习神经网络类型
1.1 深度学习简介
1.2 主要深度学习网络原理
1.2.1 堆叠自编码器
1.2.2 卷积神经网络
1.2.3 深度信念网络
1.2.4 递归神经网络
1.2.5 生成对抗网络
1.3 深度学习实际应用
1.3.1 目标检测与识别
1.3.2 语音识别
1.3.3 文本识别
1.4 深度学习面临挑战
1.4.1 理论挑战
1.4.2 工程挑战
参考文献
第2章 基于深度学习的目标检测技术
2.1 目标检测技术
2.1.1 目标检测概念
2.1.2 目标检测评价指标
2.1.3 目标检测数据集
2.2 目标检测方法
2.2.1 传统目标检测方法
2.2.2 深度学习目标检测方法
2.3 基于区域的两阶段检测器
2.3.1 R-CNN
2.3.2 SPPNet
2.3.3 Fast R-CNN
2.3.4 Faster R-CNN
2.3.5 FPN
2.4 基于区域的单阶段检测器
2.4.1 YOLO检测器
2.4.2 其他检测器
2.5 深度学习目标检测开源框架
2.5.1 TensorFlow框架
2.5.2 PyTorch框架
2.5.3 PaddlePaddle框架
参考文献
第3章 基于Faster R-CNN的目标检测技术
3.1 Faster R-CNN算法
3.2 基于Faster R-CNN的目标检测改进算法
3.2.1 特征提取层优化
3.2.2 候选区域生成改进
3.2.3 双线性插值的ROI归一化
3.2.4 确定超参数
3.2.5 优化算法参数选择
3.2.6 网络参数调整策略
3.3 实验结果及分析
参考文献
第4章 基于领域自适应的目标检测技术
4.1 领域自适应概述
4.1.1 领域自适应与领域泛化
4.1.2 相关概念数学描述
4.1.3 深度领域自适应方法分类
4.1.4 领域自适应的不同形式
4.2 领域自适应技术
4.2.1 无监督单源域单目标域自适应技术
4.2.2 无监督多目标域自适应技术
4.3 领域自适应的目标检测技术
4.3.1 基于领域渐进策略的目标检测技术
4.3.2 基于Faster R-CNN的领域自适应目标检测技术
参考文献
第5章 基于深度学习的图像识别技术
5.1 图像识别模型介绍
5.2 图像识别模型改进算法
5.2.1 最小加权随机搜索算法
5.2.2 E-S判断方法
5.2.3 构建小型卷积神经网络
5.2.4 改进算法的执行过程
5.3 基于改进算法的三种改进模型
5.4 实验结果及分析
5.5 融入注意力机制的残差网络面部表情识别方法
5.5.1 注意力机制
5.5.2 残差网络
5.5.3 面部表情识别
5.5.4 融入注意力的残差网络人脸表情识别方法
5.5.5 实现过程
5.5.6 结论
参考文献
第6章 结论与展望
6.1 结论
6.2 发展趋势
6.3 目标检测应用面临的挑战
参考文献
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
