《深度学习与图像分析——基础与应用》（李松斌,刘鹏）-图书推荐
内容提要
本书分基础和应用两个部分深入介绍了深度学习应用于图像分析的基本概念、方法和技术。在基础部分，第1章介绍了神经网络与深度学习基础知识，在此基础上，第2、3、4、5章分别深入讨论了近年来深度学习在图像分类、对象检测、语义分割及图像生成等应用领域的相关技术和方法。在每个应用领域下，对相关技术和方法的核心思想与进化历程及发展脉络进行详细梳理和分析阐述，并对每个应用主题下的方法的性能进行了深入的比较与评价。在应用部分，第6、7、8、9、10章分别介绍了本研究团队应用深度学习技术进行车道线检测、火灾检测、视频隐写分析、病虫害检测以及虚假图像识别的方法和技术，在每个章节中详细阐述了所提出方法的背景及原理、模型设计与实现并对其性能进行了详细的实验与分析。本书既是一本专著，也可以作为高等学校计算机、电子信息、自动化及其他相关专业研究生及高年级本科生的深度学习与图像分析入门书籍，还可供从事图像分析、深度学习、计算机视觉等相关专业的科技工作者参考。
目录
前言
**部分 基础部分
第1章 神经网络与深度学习基础知识
1.1 神经元模型与感知机
1.2 从感知机到神经网络—激活函数的引入
1.3 从神经网络到深度学习网络
1.4 深度学习网络示例
1.5 深度学习网络训练过程
1.5.1 数据集的准备
1.5.2 常用损失函数的介绍与比较
1.5.3 基于数值微分计算损失函数关于网络参数的梯度
1.5.4 基于误差反向传播算法计算损失函数关于网络参数的梯度
1.5.5 基于随机梯度下降算法实现网络参数*新
1.5.6 基于动量法实现网络参数*新
1.5.7 基于自适应梯度算法实现网络参数*新
1.5.8 基于自适应矩估计算法实现网络参数*新
1.6 深度学习常用工具介绍与比较
1.6.1 TensorFlow框架介绍与实例
1.6.2 Caffe框架介绍与实例
1.6.3 MXNet框架介绍与实例
1.6.4 Keras框架介绍与实例
1.6.5 PyTorch框架介绍与实例
1.6.6 各框架性能比较与评价
1.7 本章小结
参考文献
第2章 基于深度学习的图像分类算法核心思想与算法进化
2.1 图像分类基础概念与原理
2.2 基于深度学习的图像分类算法的诞生与发展
2.2.1 基于深度学习的图像分类算法的诞生—LeNet
2.2.2 开创基于深度学习图像分类算法的新局面—AlexNet
2.2.3 基于小卷积核的图像分类算法—VGGNet
2.2.4 基于*优局部稀疏结构的图像分类算法—Inception系列
2.2.5 基于恒等映射残差单元的图像分类算法—ResNet
2.2.6 基于聚合转换残差单元的图像分类算法—ResNeXt
2.2.7 基于多层密集连接的图像分类算法—DenseNet
2.2.8 基于特征通道重标定的图像分类算法—SENet
2.2.9 基于通道压缩与扩展的图像分类算法—SqueezeNet
2.2.10 基于深度可分离卷积的图像分类算法—MobileNet
2.2.11 基于逐点群卷积与通道混洗的图像分类算法—ShuffleNet
2.2.12 基于神经架构自动搜索的图像分类算法—NASNet
2.3 算法评价与性能比较
2.3.1 常用数据集介绍
2.3.2 评价指标
2.3.3 性能比较与算法评价
2.4 本章小结
参考文献
第3章 基于深度学习的目标检测算法核心思想及优化过程
3.1 目标检测基础概念与原理
3.2 基于深度学习的目标检测算法的提出与优化
3.2.1 **基于卷积神经网络的目标检测算法——R-CNN