基础篇
章深度学习概述2
1.1深度学习发展简史2
1.2有监督学习4
1.2.1图像分类4
1.2.2目标检测6
1.2.3人脸识别10
1.2.4语音识别13
1.3无监督学习18
1.3.1无监督学习概述18
1.3.2生成对抗网络18
1.4强化学习21
1.4.1AlphaGo21
1.4.2AlphaGoZero23
1.5小结25
参考资料25
第2章深度神经网络27
2.1神经元27
2.2感知机30
2.3前向传递31
2.3.1前向传递的流程32
2.3.2激活函数33
2.3.3损失函数37
2.4后向传递40
2.4.1后向传递的流程40
2.4.2梯度下降40
2.4.3参数修正42
2.5防止过拟合44
2.5.1dropout44
2.5.2正则化45
2.6小结46
第3章卷积神经网络47
3.1卷积层48
3.1.1valid卷积48
3.1.2full卷积50
3.1.3same卷积51
3.2池化层52
3.3反卷积53
3.4感受野54
3.5卷积神经网络实例56
3.5.1LeNet-556
3.5.2AlexNet58
3.5.3VGGNet62
3.5.4GoogLeNet64
3.5.5ResNet75
3.5.6MobileNet76
3.6小结78
进阶篇
第4章两阶段目标检测方法80
4.1R-CNN80
4.1.1算法流程80
4.1.2训练过程81
4.2SPP-Net85
4.2.1网络结构85
4.2.2空间金字塔池化86
4.3FastR-CNN87
4.3.1感兴趣区域池化层87
4.3.2网络结构89
4.3.3全连接层计算加速90
4.3.4目标分类91
4.3.5边界框回归92
4.3.6训练过程93
4.4FasterR-CNN97
4.4.1网络结构98
4.4.2RPN99
4.4.3训练过程105
4.5R-FCN107
4.5.1R-FCN网络结构108
4.5.2位置敏感的分数图109
4.5.3位置敏感的RoI池化110
4.5.4R-FCN损失函数111
4.5.5Caffe网络模型解析111
4.5.6U-Net115
4.5.7SegNet116
4.6MaskR-CNN117
4.6.1实例分割简介118
4.6.2COCO数据集的像素级标注119
4.6.3网络结构120
4.7小结123
参考资料123
第5章单阶段目标检测方法125
5.1SSD125
5.1.1defaultbox125
5.1.2网络结构126
5.1.3Caffe网络模型解析127
5.1.4训练过程135
5.2RetinaNet137
5.2.1FPN137
5.2.2聚焦损失函数139
5.3RefineDet140
5.3.1网络模型141
5.3.2Caffe网络模型解析143
5.3.3训练过程152
5.4YOLO153
5.4.1YOLOv1153
5.4.2YOLOv2155
5.4.3YOLOv3157
5.5目标检测算法应用场景159
5.5.1高速公路坑洞检测160
5.5.2息肉检测161
5.6小结162
参考资料162
应用篇
第6章肋骨骨折检测166
6.1国内外研究现状166
6.2解决方案168
6.3预处理168
6.4肋骨骨折检测169
6.5实验结果分析170
6.6小结172
参考资料173
第7章肺结节检测174
7.1国内外研究现状174
7.2总体框架176
7.2.1肺结节数据集176
7.2.2肺结节检测难点177
7.2.3算法框架177
7.3肺结节可疑位置推荐算法178
7.3.1CT图像的预处理179
7.3.2肺结节分割算法180
7.3.3优化方法182
7.3.4推断方法184
7.4可疑肺结节定位算法185
7.5实验结果与分析（1）186
7.5.1实验结果186
7.5.2改进点效果分析186
7.6假阳性肺结节抑制算法188
7.6.1假阳性肺结节抑制网络188
7.6.2优化策略192
7.6.3推断策略194
7.7实验结果与分析（2）194
7.7.1实验结果195
7.7.2改进点效果分析195
7.7.3可疑位置推荐与假阳性抑制算法的整合197
7.8小结197
参考资料197
第8章车道线检测200
8.1国内外研究现状200
8.2主要研究内容202
8.2.1总体解决方案202
8.2.2各阶段概述203
8.3车道线检测系统的设计与实现206
8.3.1车道线图像数据标注与筛选206
8.3.2车道线图片预处理208
8.3.3车道线分割模型训练212
8.3.4车道线检测221
8.3.5车道线检测结果225
8.4车道线检测系统性能测试225
8.4.1车道线检测质量测试225
8.4.2车道线检测时间测试227
8.5小结227
参考资料228
第9章交通视频分析229
9.1国内外研究现状230
9.2主要研究内容231
9.2.1总体设计232
9.2.2精度和性能要求232
9.3交通视频分析233
9.3.1车辆检测和车牌检测233
9.3.2车牌识别功能设计详解235
9.3.3车辆品牌及颜色的识别243
9.3.4目标跟踪设计详解244
9.4系统测试247
9.4.1车辆检测248
9.4.2车牌检测251
9.4.3车牌识别253
9.4.4车辆品牌识别256
9.4.5目标跟踪258
9.5小结259
参考资料260

本书的写作初衷是，从学者的角度，用一种通俗易懂的方式，把与基于深度学习的目标检测的相关论文中的理论和方法呈现给读者，同时针对作者在深度学习教学过程中遇到的难点，进行深入的分析和讲解。本书侧重对卷积神经网络的介绍，而深度学习的内容不止于此。所以，作者将深度学习分为有监督学习、无监督学习和强化学习三类，将图像分类、目标检测、语音识别、人脸识别、对抗生成网络和AlphaGo围棋等应用场景归入不同的类别，并分别对其原理进行了概括性的讲解。本书适合有一定深度学习或目标检测学习基础的学生、研究者、从业者阅读。