本书介绍了深度学习在图像目标检测与识别领域的应用，主要包括基于UNet的图像去雾算法、基于特征融合GAN的图像增强算法、基于ESRGAN的图像超分辨率重建算法、基于嵌套UNet的图像分割算法、基于对抗迁移学习的水下大坝裂缝图像分割算法、基于改进Faster-RCNN的海洋生物检测算法、基于YOLOv4的目标检测算法、基于RetinaNet的密集目标检测算法、基于LSTM网络的视频图像目标实时检测、基于改进YOLOv4的嵌入式变电站仪表检测算法等。

目 录
第0章 绪论\t1
0.1 研究背景及意义\t1
0.2 国内外研究现状\t2
0.2.1 水下图像质量提升方法\t2
0.2.2 基于深度学习的目标检测算法研究\t5
0.2.3 裂缝图像分割算法研究\t7
0.3 本书的主要内容及章节安排如下\t9
参考文献\t12
第1章 基于UNet的图像去雾算法\t19
1.1 引言\t19
1.2 本章算法\t21
1.2.1 特征提取层\t21
1.2.2 网络结构\t21
1.2.3 损失函数\t25
1.3 实验与分析\t26
1.3.1 实验环境\t26
1.3.2 实验数据集\t26
1.3.3 评价指标\t26
1.3.4 参数设置\t27
1.3.5 实验结果\t27
1.3.6 运行时间对比\t31
1.4 本章小结\t31
参考文献\t31
第2章 基于特征融合GAN的图像增强算法\t35
2.1 引言\t35
2.2 GAN概述\t35
2.2.1 GAN的基本概念\t35
2.2.2 GAN的数学模型\t36
2.3 基于特征融合GAN的图像增强算法\t37
2.3.1 颜色校正\t37
2.3.2 生成器的结构\t41
2.3.3 判别器的结构\t43
2.3.4 损失函数的选择\t43
2.4 实验与分析\t45
2.4.1 实验数据及训练\t45
2.4.2 实验结果\t47
2.4.3 消融实验\t50
2.5 本章小结\t52
参考文献\t53
第3章 基于ESRGAN的图像超分辨率重建算法\t57
3.1 引言\t57
3.2 ESRGAN\t57
3.3 基于ESRGAN的水下图像超分辨率重建算法\t60
3.3.1 生成器的结构\t60
3.3.2 相对判别器的结构\t63
3.3.4 损失函数的选择\t65
3.4 实验与分析\t66
3.4.1 实验数据及训练\t66
3.4.2 实验结果\t67
3.5 本章小结\t70
参考文献\t70
第4章 基于嵌套UNet的图像分割算法\t73
4.1 引言\t73
4.2 卷积神经网络的相关技术\t74
4.3 全卷积网络\t75
4.4 UNet模型\t78
4.5 裂缝图像分割模型Att_Nested_UNet\t79
4.5.1 相关研究\t79
4.5.2 Att_Nested_UNet的工作原理\t79
4.5.3 实验及结果\t83
4.6 本章小结\t87
参考文献\t87
第5章 基于对抗迁移学习的水下大坝裂缝图像分割算法\t89
5.1 引言\t89
5.2 相关工作\t90
5.2.1 裂缝图像分割\t90
5.2.2 水下大坝裂缝图像分割\t91
5.2.3 迁移学习\t91
5.3 本章算法\t92
5.3.1 网络模型\t92
5.3.2 对抗迁移学习\t94
5.3.3 损失函数\t95
5.4 实验与分析\t96
5.4.1 数据集\t96
5.4.2 训练策略\t97
5.4.3 实验结果\t97
5.4.4 评价指标\t98
5.5 本章小结\t100
参考文献\t100
第6章 基于改进Faster-RCNN的海洋生物检测算法\t105
6.1 引言\t105
6.2 相关工作\t105
6.3 本章算法\t107
6.3.1 ResNet-BiFPN简介\t107
6.3.2 有效交并比\t110
6.3.3 K-means++算法\t112
6.4 实验与分析\t114
6.4.1 实验配置及数据集\t114
6.4.2 评价指标\t114
6.4.3 实验结果\t115
6.5 本章小结\t119
参考文献\t119

第7章 基于YOLOv4的目标检测算法\t123
7.1 引言\t123
7.2 结合数据增强和改进YOLOv4的水下目标检测算法\t125
7.2.1 CBAM-CSPDarknet53\t125
7.2.2 DetPANet\t127
7.2.3 PredMix\t128
7.3 实验与分析\t130
7.3.1 实验配置及数据集\t130
7.3.2 实验结果\t131
7.4 本章小结\t135
参考文献\t135
第8章 基于RetinaNet的密集目标检测算法\t139
8.1 引言\t139
8.2 本章算法\t140
8.2.1 本章算法的主体框架\t140
8.2.2 多维注意力模块\t142
8.2.3 弱化的非极大值抑制算法\t144
8.2.4 损失函数\t146
8.3 实验与分析\t147
8.3.1 实验环境与数据集\t147
8.3.2 实验参数与评价指标\t149
8.3.3 实验过程与结果分析\t150
8.4 本章小结\t155
参考文献\t156
第9章 基于LSTM网络的视频图像目标实时检测算法\t159
9.1 引言\t159
9.2 长短时记忆网络和记忆引导网络\t160
9.2.1 长短时记忆网络\t160
9.2.2 记忆引导网络\t162
9.3 交叉检测框架\t165
9.3.1 交叉检测框架的思路\t165
9.3.2 交叉检测框架的选择\t166
9.4 模型训练和实验分析\t167
9.4.1 模型训练策略\t167
9.4.2 实验分析\t168
9.5 本章小结\t174
参考文献\t174
第10章 基于改进YOLOv4的嵌入式变电站仪表检测算法\t177
10.1 引言\t177
10.2 本章算法\t179
10.2.1 YOLOv4简介\t179
10.2.2 对YOLOv4的改进\t180
10.3 实验与分析\t183
10.3.1 数据集与实验平台\t183
10.3.2 数据集与实验平台\t184
10.3.3 计算量与模型参数对比\t185
10.3.4 检测速度和检测精度的对比\t186
10.4 本章小结\t188
参考文献\t189