利用深度学习进行图像检测和特征提取是近年来的研究热点。本书通过系统总结国内外路面裂缝病害自动识别和提取的相关成果，详细介绍深度学习的相关理论，构建改进残差网络与注意力机制的语义分割网络，结合双注意力机制的语义分割网络，基于高分辨率模型的裂缝病害图像分类和分割网络，以及基于可变形单步多框目标检测的裂缝检测模型，对裂缝病害图像进行分类与分割提取，可以大幅提升裂缝的分类与识别精度，丰富深度学习中的网络模型。
本书可供摄影测量与遥感、遥感科学与技术、计算机图像处理等专业高等院校本科生和研究生，以及从事这方面研究的科研人员、工程技术人员参考。

前言
第1章 绪论
1.1 研究的背景及意义
1.2 国内外研究现状
1.2.1 深度学习中的图像分类网络
1.2.2 深度学习中的图像分割网络
1.2.3 路面裂缝检测
1.2.4 路面裂缝病害图像的分类和评估
1.3 本章小结
第2章 深度学习
2.1 深度学习概述
2.2 深度学习网络结构
2.2.1 单层神经网络
2.2.2 多层神经网络
2.2.3 常见的CNN
2.3 深度学习训练过程
2.3.1 监督学习
2.3.2 非监督学习
2.4 CNN
2.4.1 CNN基本结构
2.4.2 卷积层
2.4.3 池化层
2.4.4 全连接层
2.4.5 激活函数
2.4.6 损失函数
2.5 上下采样计算
2.5.1 感受野
2.5.2 空洞卷积
2.5.3 上采样计算
2.5.4 下采样计算
2.6 CNN中的图像分类模型
2.6.1 Fast RCNN模型
2.6.2 SSD网络模型
2.6.3 YOLOv4网络模型
2.7 CNN中的图像分割模型
2.7.1 FCN模型
2.7.2 SegNet模型
2.7.3 U-Net模型
2.7.4 DeepLab v3+网络
2.7.5 DenseASPP网络
2.8 本章小结
第3章 裂缝病害图像特征分析及数据预处理
3.1 路面裂缝类型
3.2 路面裂缝的特点及成因
3.2.1 路面裂缝的特点
3.2.2 路面裂缝的成因
3.3 路面裂缝数据集制作
3.3.1 自制数据集Highway Crack
3.3.2 自制可变SSD数据集
3.3.3 公共数据集
3.3.4 图像集预处理
3.4 裂缝识别技术流程
3.5 实验环境选择及搭建
3.5.1 实验环境选择
3.5.2 实验环境搭建
3.6 本章小结
第4章 基于CNN的公路裂缝分类识别实验及分析
4.1 实验模型评估与分析
4.2 卷积可视化分析
4.3 路面裂缝特征提取与分析
4.4 路面裂缝识别结果
4.5 本章小结
第5章 基于改进残差网络与注意力机制的语义分割网络
5.1 残差网络
5.2 注意力机制
5.3 带空洞卷积的残差网络
5.4 Non-Local计算模式的注意力机制
5.5 网络模型设计
5.6 训练参数
5.7 评价指标
5.8 数据集
5.9 实验分析
5.10 本章小结
第6章 结合双注意力机制的语义分割网络
6.1 残差注意力机制
6.2 网络模型设计
6.3 实验结果分析
6.3.1 空洞卷积消融实验
6.3.2 残差注意力不同结构性能分析
6.3.3 与其他深度学习神经网络对比实验
6.4 本章小结
第7章 基于高分辨率模型的裂缝病害图像分类网络与分割网络
7.1 基于高分辨率模型的裂缝病害图像分类网络
7.1.1 HRNet
7.1.2 混合空洞卷积
7.1.3 网络模型设计
7.1.4 基于HRNet的实验结果与分析
7.2 基于高分辨率模型的裂缝病害图像分割网络
7.2.1 密集上采样卷积
7.2.2 Passthrough layer模块
7.2.3 挤压与激励注意力机制
7.2.4 网络模型设计
7.2.5 实验结果与分析
7.3 本章小结
第8章 基于可变形SSD的裂缝检测模型
8.1 SSD
8.2 默认框
8.3 网络结构
8.4 实验过程与检测结果
8.4.1 实验过程
8.4.2 检测结果
8.5 本章小结
参考文献