深度學習-智能網絡目標識別技術 石曉榮 9787121503320 【台灣高等教育出版社】

*書籍均為代購，我們向大陸付款發訂後即無法取消，為避免造成不必要的損失，
下訂前請慎重考慮！下訂前請慎重考慮！謝謝。
*完成訂單後正常情形下約兩周可抵台。
*本賣場提供之資訊僅供參考，以到貨標的為正確資訊。
印行年月：202505*若逾兩年請先於客服中心或Line洽詢存貨情況，謝謝。
台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。
書名：深度學習-智能網絡目標識別技術
ISBN：9787121503320
出版社：電子工業
著編譯者：石曉榮
頁數：244
所在地：中國大陸 *此為代購商品
書號：1737092
可大量預訂，請先連絡。

內容簡介
深度學習目標檢測識別技術是人工智能專業當前研究熱點，在民用和國防領域都有著重大需求，也是一個巨大的技術難題，在資源受限平臺下，目標感知不確定性大、效率低、功耗大。本書旨在通過對智能網絡目標識別技術主要原理和方法的介紹，並且結合作者自己多年來智能感知方面的研究成果，對於其他書籍未涉及到的一些前沿研究進行了補充闡述。本書共八章，第一章 和第二章 介紹了智能目標的發展歷史，簡介了機器學習的基本概念，歸納了基於統計模式識別問題和基於深度學習目標識別，深入研究了主流深度學習算法的發展過程和技術細節，這部分作為進一步學習不確定視覺感知的基礎內容。第三章 和第四章 介紹了不確定視覺感知與深度學習的理論和應用結合，包括不確定性視覺感知的定義，Gabor不確定性有界表徵和Gabor深度學習網絡，以及調製卷積神經網絡的具體實現細節 和實驗驗證。第五章 至第八章 詳細討論了基於不確定性視覺感知算法的應用和部署，包括智能目標檢測與識別的架構和方法設計，可解釋目標識別方法與應用，知識內嵌智能網絡識別方法的技術細節 和應用，以及深度學習模型壓縮技術與部署。

作者簡介
石曉榮，現任航天科工集團公司高級專家，兼任裝備發展部某專業組成員、軍科委某領域青年專家，某國家重大專項論證組成員。曾任多個型號副總師，現任某專項應用總師。一直從事導航制導與控制科研工作，理論與實踐經驗豐富。獲國防科技卓越青年基金資質。獲國家科技進步特等獎1項、國防科技進步一等獎2項。授權專利30余項，發表論文20餘篇。獲全國三八紅旗手、五四青年獎章 和國務院政府特殊津貼。

目錄

第 1 章 智能網絡目標識別發展概述 1
1 1 目標識別技術 2
1 1 1 目標識別的基本概念與原理 2
1 1 2 目標識別的發展歷程 3
1 2 傳統目標識別技術 4
1 2 1 經典的特徵提取原理 4
1 2 2 經典目標檢測器 13
1 3 智能網絡目標識別技術 15
1 3 1 基於錨框的智能網絡目標識別技術 16
1 3 2 無錨框的智能網絡目標識別技術 18
1 4 數據集及模型評估指標 20
1 4 1 目標分類任務的公開數據集和模型評估指標 20
1 4 2 目標檢測任務的公開數據集和模型評估指標 23
1 5 總結 26
參考文獻 26
第 2 章 智能網絡目標識別基礎 30
2 1 深度學習技術原理 31
2 2 神經網絡 34
2 2 1 感知機 34
2 2 2 前饋神經網絡 36
2 2 3 反向傳播算法 38
2 3 深度學習算法、模型與優化 41
2 3 1 深度學習算法的組成 41
2 3 2 深度模型的核心部件 43
2 3 3 代表性的網絡模型 48
2 3 4 深度模型的優化算法 58
2 4 典型智能網絡目標識別算法 62
2 4 1 Faster R-CNN 62
2 4 2 YOLO 66
2 4 3 FPN 69
2 4 4 CenterNet 70
2 4 5 DETR 73
2 5 總結 76
參考文獻 76
第 3 章 新型注意力機制深度目標識別方法 79
3 1 概述 80
3 2 引入反饋機制的特徵優化檢測器 83
3 2 1 IFF 模塊 83
3 2 2 穩定性證明 87
3 2 3 實驗結果 90
3 3 雙分辨率骨幹網絡目標識別方法 95
3 3 1 網絡總體結構 95
3 3 2 尺度內傳播模塊 97
3 3 3 尺度間對齊模塊 98
3 3 4 雙分辨率特徵金字塔網絡 DS-FPN 99
3 3 5 實驗結果 100
3 4 總結 105
參考文獻 106
第 4 章 可控視覺表徵目標識別方法 110
4 1 混合高斯不確定性有界理論 111
4 2 基於 Gabor 的魯棒特徵提取與模型泛化能力提升 113
4 3 GCN 116
4 3 1 GCN 前向傳播 116
4 3 2 GCN 反向傳播 118
4 4 GCN 實驗驗證與分析 119
4 4 1 手寫體字符識別 119
4 4 2 街景數字識別 123
4 4 3 自然圖像分類 124
4 4 4 大尺度圖像分類 127
4 5 總結 129
參考文獻 129
第 5 章 知識內嵌智能目標識別方法 132
5 1 深度模型中的知識內嵌方法概述 133
5 2 引入介尺度注意力的知識內嵌視覺模型 136
5 2 1 多模態 CLIP 算法 136
5 2 2 知識內嵌模型 139
5 2 3 仿真實驗 143
5 3 屬性增強知識內嵌視覺模型 145
5 3 1 視覺屬性詞表的引入 146
5 3 2 專家知識提示工程 147
5 3 3 基於交叉注意力機制的視覺屬性詞表對齊 149
5 3 4 仿真實驗 151
5 4 總結 152
參考文獻 153
第 6 章 可解釋性目標識別方法 155
6 1 可解釋性方法綜述 156
6 2 基於誤差分數機制的可解釋性目標識別方法 158
6 2 1 誤差分數機制 158
6 2 2 可解釋性方法實驗結果 160
6 2 3 模型性能極限研究 162
6 3 基於因果約束的可解釋性目標識別方法 166
6 3 1 基於因果推斷的特徵重加權算法 166
6 3 2 實驗結果 170
6 4 基於語義分析的細粒度可解釋性目標識別方法 174
6 4 1 語義特徵分析算法 174
6 4 2 基於語義特徵提取的可解釋性深度學習算法設計與分析 179
6 4 3 語義特徵提取算法有效性分析 181
6 5 總結 183
參考文獻 183
第 7 章 深度模型壓縮技術 186
7 1 深度模型壓縮技術概述 187
7 1 1 模型稀疏化 187
7 1 2 模型量化 189
7 1 3 低秩分解 191
7 1 4 知識蒸餾 193
7 1 5 神經網絡架構搜索 194
7 1 6 緊致化結構設計 198
7 1 7 深度模型壓縮技術的選擇 199
7 2 引入生成對抗的最優結構化剪枝方法 200
7 2 1 預備知識 202
7 2 2 公式建立 202
7 2 3 優化求解 203
7 2 4 結構選擇 205
7 2 5 實驗結果 206
7 3 閉式低秩分解和知識遷移的全域 CNN 壓縮方法 211
7 3 1 全域閉式低秩分解與知識遷移 212
7 3 2 實驗結果 220
7 4 總結 228
參考文獻 228

詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於客服中心或Line或本社留言板留言，我們即儘速上架。

大陸簡體正版圖書，訂購後正常情形下約兩周可抵台。