- 深度学习--智能网络目标识别技术/人工智能前沿技术丛书
- - 作者：石晓荣//林绍辉//倪亮//余跃//张宝昌|责编:张镨丹
  - 出版社：电子工业
  - ISBN：9787121503320
  - 出版日期：2025/05/01
  - 页数：234
- 售价：27.2

内容大纲
本书共7章，主要内容包括智能网络目标识别技术及相关基础知识，新型深度目标识别方法（包括新型注意力机制深度目标识别方法、可控视觉表征目标识别方法、知识内嵌智能目标识别方法），可解释性目标识别方法，以及深度模型压缩技术等。本书基于智能网络目标识别技术，深度提炼作者团队在复杂场景智能感知方面长期积累的研究成果，旨在为读者呈现深度学习方法在目标识别中的前沿技术及相关应用。
本书适用于有一定数学基础的研究人员、研究生、高年级本科生，以及对人工智能相关技术尤其是机器学习和智能感知等方向有浓厚兴趣、有志深入钻研的读者。
作者介绍
目录
第1章  智能网络目标识别发展概述
  1.1  目标识别技术
    1.1.1  目标识别的基本概念与原理
    1.1.2  目标识别的发展历程
  1.2  传统目标识别技术
    1.2.1  经典的特征提取原理
    1.2.2  经典目标检测器
  1.3  智能网络目标识别技术
    1.3.1  基于锚框的智能网络目标识别技术
    1.3.2  无锚框的智能网络目标识别技术
  1.4  数据集及模型评估指标
    1.4.1  目标分类任务的公开数据集和模型评估指标
    1.4.2  目标检测任务的公开数据集和模型评估指标
  1.5  总结
  参考文献
第2章  智能网络目标识别基础
  2.1  深度学习技术原理
  2.2  神经网络
    2.2.1  感知机
    2.2.2  前馈神经网络
    2.2.3  反向传播算法
  2.3  深度学习算法、模型与优化
    2.3.1  深度学习算法的组成
    2.3.2  深度模型的核心部件
    2.3.3  代表性的网络模型
    2.3.4  深度模型的优化算法
  2.4  典型智能网络目标识别算法
    2.4.1  Faster R-CNN
    2.4.2  YOLO
    2.4.3  FPN
    2.4.4  CenterNet
    2.4.5  DETR
  2.5  总结
  参考文献
第3章  新型注意力机制深度目标识别方法
  3.1  概述
  3.2  引入反馈机制的特征优化检测器
    3.2.1  IFF模块
    3.2.2  稳定性证明
    3.2.3  实验结果
  3.3  双分辨率骨干网络目标识别方法
    3.3.1  网络总体结构
    3.3.2  尺度内传播模块
    3.3.3  尺度间对齐模块
    3.3.4  双分辨率特征金字塔网络DS-FPN
    3.3.5  实验结果
  3.4  总结
  参考文献
第4章  可控视觉表征目标识别方法
  4.1  混合高斯不确定性有界理论

  4.2  基于Gabor的鲁棒特征提取与模型泛化能力提升
  4.3  GCN
    4.3.1  GCN前向传播
    4.3.2  GCN反向传播
  4.4  GCN实验验证与分析
    4.4.1  手写体字符识别
    4.4.2  街景数字识别
    4.4.3  自然图像分类
    4.4.4  大尺度图像分类
  4.5  总结
  参考文献
第5章  知识内嵌智能目标识别方法
  5.1  深度模型中的知识内嵌方法概述
  5.2  引入介尺度注意力的知识内嵌视觉模型
    5.2.1  多模态CLIP算法
    5.2.2  知识内嵌模型
    5.2.3  仿真实验
  5.3  属性增强知识内嵌视觉模型
    5.3.1  视觉属性词表的引入
    5.3.2  专家知识提示工程
    5.3.3  基于交叉注意力机制的视觉属性词表对齐
    5.3.4  仿真实验
  5.4  总结
  参考文献
第6章  可解释性目标识别方法
  6.1  可解释性方法综述
  6.2  基于误差分数机制的可解释性目标识别方法
    6.2.1  误差分数机制
    6.2.2  可解释性方法实验结果
    6.2.3  模型性能极限研究
  6.3  基于因果约束的可解释性目标识别方法
    6.3.1  基于因果推断的特征重加权算法
    6.3.2  实验结果
  6.4  基于语义分析的细粒度可解释性目标识别方法
    6.4.1  语义特征分析算法
    6.4.2  基于语义特征提取的可解释性深度学习算法设计与分析
    6.4.3  语义特征提取算法有效性分析
  6.5  总结
  参考文献
第7章  深度模型压缩技术
  7.1  深度模型压缩技术概述
    7.1.1  模型稀疏化
    7.1.2  模型量化
    7.1.3  低秩分解
    7.1.4  知识蒸馏
    7.1.5  神经网络架构搜索
    7.1.6  紧致化结构设计
    7.1.7  深度模型压缩技术的选择
  7.2  引入生成对抗的最优结构化剪枝方法
    7.2.1  预备知识

    7.2.2  公式建立
    7.2.3  优化求解
    7.2.4  结构选择
    7.2.5  实验结果
  7.3  闭式低秩分解和知识迁移的全局CNN压缩方法
    7.3.1  全局闭式低秩分解与知识迁移
    7.3.2  实验结果
  7.4  总结
  参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目