机器视觉检测与识别技术及应用：基于深度学习

第1章 机器视觉概述
1.1 机器视觉的基本概念 002
1.2 机器视觉的发展历程 005
1.3 机器视觉的发展趋势 008
1.4 机器视觉的应用领域 011
第2章 深度学习基础知识
2.1 基本概念与理论 018
2.2 基本思想 022
2.3 深度学习常用的方法 022
第3章 深度学习与机器视觉
3.1 深度学习应用于机器视觉 028
3.2 深度学习应用于机器视觉的例子 030
3.2.1 基于深度学习的机器视觉在谷歌中的应用 030
3.2.2 基于深度学习的机器视觉在百度中的应用 030
3.2.3 基于深度学习的机器视觉在医疗中的应用 032
3.2.4 基于深度学习的机器视觉在安防中的应用 033
3.2.5 基于深度学习的机器视觉在摄影摄像中的应用 033
3.3 机器视觉的关键深度学习方法和应用 034
第4章 图像分类与参数学习
4.1 图像分类基础 042
4.2 线性分类器 044
4.3 损失函数 047
4.3.1 损失函数的作用 047
4.3.2 常见的损失函数 048
第5章 Transformer
5.1 Transformer背景 052
5.1.1 Transformer简介 052
5.1.2 传统序列模型的局限性 053
5.2 Transformer模型 054
5.2.1 Transformer基本框架 054
5.2.2 输入部分 054
5.2.3 编码器结构 057
5.2.4 解码器结构 059
5.3 Transformer在机器视觉中的应用 060
5.3.1 Detection Transformer（DETR） 060
5.3.2 Unsupervised Pre-training for Object Detection with Transformers（UP-DETR） 062
5.3.3 Deformable DETR 062
第6章 基于深度学习的目标检测
6.1 目标检测技术 066
6.1.1 目标检测概念 066
6.1.2 目标检测评价指标 067
6.1.3 目标检测数据集 070
6.2 目标检测方法 071
6.2.1 传统目标检测算法 071
6.2.2 基于深度学习目标检测算法 073
6.3 基于区域的两阶段目标检测方法 076
6.3.1 R-CNN 076
6.3.2 SPP-Net 080
6.3.3 Fast R-CNN 083
6.3.4 Faster R-CNN 086
6.4 基于区域的单阶段目标检测方法 091
6.4.1 SSD 092
6.4.2 YOLO v3 095
6.4.3 RetinaNet 098
6.5 基于深度学习的目标检测算法应用场景 102
6.5.1 农业领域应用——害虫检测 102
6.5.2 航天领域应用——遥感监测 103
6.5.3 交通领域应用——车辆检测 103
第7章 目标识别
7.1 目标识别技术 108
7.1.1 目标识别概念 108
7.1.2 目标识别评价指标 108
7.2 目标识别方法 109
7.2.1 传统目标识别方法 109
7.2.2 深度学习目标识别方法 112
第8章 深度学习中的目标识别
8.1 图像识别模型介绍 114
8.2 图像识别模型改进算法 118
8.2.1 小加权随机搜索算法 118
8.2.2 E-S判断方法 121
8.2.3 构造小型卷积神经网络 122
8.2.4 残差网络模型 124
8.2.5 融入注意力机制的残差网络识别算法 126
8.3 基于深度学习的目标识别算法应用场景 129
8.3.1 生物信息领域应用——人脸识别 129
8.3.2 军事领域应用——雷达探测 134
8.3.3 工业领域应用——水下作业 134
第9章 前列腺肿瘤检测
9.1 前列腺图像复原、重建与合成 143
9.1.1 医学图像复原与重建 143
9.1.2 前列腺图像合成 145
9.2 医学图像配准与分割 147
9.2.1 医学图像配准 147
9.2.2 医学图像分割 148
第10章 目标检测与识别技术在医疗领域中的应用
10.1 医学图像处理技术及应用价值 152
10.1.1 医学图像的类型 152
10.1.2 医学图像的格式 155
10.1.3 目标检测与识别技术在医疗领域的应用价值 157
10.2 影像图像的疾病诊断与病灶分型 158
10.2.1 典型的疾病诊断网络 159
10.2.2 影像的疾病诊断应用 165
10.3 影像图像的组织器官分割技术 176
10.3.1 通用分割网络 177
10.3.2 专用分割技术 189
10.4 公开数据集 203
10.4.1 影像诊断 203
10.4.2 器官分割 207
10.4.3 病理分析与生物信息 209
10.4.4 竞赛单元/通用数据集 210
第11章  生菜识别及性状分析
11.1 背景介绍 218
11.2 定义问题 219
11.3 数据分析 220
11.3.1 数据内容及结构 220
11.3.2 数据相关性分析 222
11.4 数据处理 226
11.4.1 数据加载及预处理 226
11.4.2 数据增强 228
11.4.3 标签加载 229
11.5 模型搭建 230
11.5.1 三阶段多分支自校正网络设计思路 230
11.5.2 主模型 233
11.5.3 辅助模型 237
11.6 模型训练 241
11.6.1 训练参数设置 241
11.6.2 训练曲线及结果分析 243
11.7 模型评估 247
11.7.1 评估指标 247
11.7.2 评估结果 248
11.8 模型讨论 254
11.8.1 深度图像的数据处理方法讨论 254
11.8.2 辅助模型的设计及选择 256
11.8.3 高通量情形下的生菜性状估计思路设计 258