深度學習之圖像目標檢測與識別方法 史朋飛 9787121488122 【台灣高等教育出版社】
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：電子工業
物品所在地：中國大陸
原出版社：電子工業
NT$502
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *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：202409*若逾兩年請先於私訊洽詢存貨情況，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：深度學習之圖像目標檢測與識別方法 ISBN：9787121488122 出版社：電子工業 著編譯者：史朋飛 叢書名：新工科人才培養系列叢書 頁數：202 所在地：中國大陸 *此為代購商品 書號：1686421 可大量預訂，請先連絡。 內容簡介 本書介紹了深度學習在圖像目標檢測與識別領域的應用，主要包括基於UNet的圖像去霧演算法、基於特徵融合GAN的圖像增強演算法、基於ESRGAN的圖像超解析度重建演算法、基於嵌套UNet的圖像分割演算法、基於對抗遷移學習的水下大壩裂縫圖像分割演算法、基於改進Faster-RCNN的海洋生物檢測演算法、基於YOLOv4的目標檢測演算法、基於RetinaNet的密集目標檢測演算法、基於LSTM網路的視頻圖像目標實時檢測、基於改進YOLOv4的嵌入式變電站儀錶檢測演算法等。作者簡介 范新南，主要研究領域為信息獲取與處理、智能感知技術、物聯網技術與應用、水利信息化等。先後主持和參与完成了國家自然科學基金、國家「863」計劃項目、國家重點研發計劃子課題等項目30多項。發表學術論文100餘篇（SCI檢索30餘篇），獲授權發明專利18項，軟體著作權10項，專著1部，省部級科技獎勵2項，江蘇省優秀教學成果獎4項，曾獲得寶鋼教育獎優秀教師獎。現任江蘇省輸配電裝備技術重點實驗室主任，江蘇省輸變電產業技術創新聯盟副秘書長，江蘇省「青藍工程」優秀中青年帶頭人，江蘇省「世界水谷」與水生態文明協同創新中心水物聯網與水感中心團隊負責人。承擔《單片機原理與應用》等本科生課程教學任務。目錄 第0章 緒論0 1 研究背景及意義 0 2 國內外研究現狀 0 2 1 水下圖像質量提升方法 0 2 2 基於深度學習的目標檢測演算法研究 0 2 3 裂縫圖像分割演算法研究 0 3 本書的主要內容及章節安排如下 參考文獻 第1章 基於UNet的圖像去霧演算法 1 1 引言 1 2 本章演算法 1 2 1 特徵提取層 1 2 2 網路結構 1 2 3 損失函數 1 3 實驗與分析 1 3 1 實驗環境 1 3 2 實驗數據集 1 3 3 評價指標 1 3 4 參數設置 1 3 5 實驗結果 1 3 6 運行時間對比 1 4 本章小結 參考文獻 第2章 基於特徵融合GAN的圖像增強演算法 2 1 引言 2 2 GAN概述 2 2 1 GAN的基本概念 2 2 2 GAN的數學模型 2 3 基於特徵融合GAN的圖像增強演算法 2 3 1 顏色校正 2 3 2 生成器的結構 2 3 3 判別器的結構 2 3 4 損失函數的選擇 2 4 實驗與分析 2 4 1 實驗數據及訓練 2 4 2 實驗結果 2 4 3 消融實驗 2 5 本章小結 參考文獻 第3章 基於ESRGAN的圖像超解析度重建演算法 3 1 引言 3 2 ESRGAN 3 3 基於ESRGAN的水下圖像超解析度重建演算法 3 3 1 生成器的結構 3 3 2 相對判別器的結構 3 3 4 損失函數的選擇 3 4 實驗與分析 3 4 1 實驗數據及訓練 3 4 2 實驗結果 3 5 本章小結 參考文獻 第4章 基於嵌套UNet的圖像分割演算法 4 1 引言 4 2 卷積神經網路的相關技術 4 3 全卷積網路 4 4 UNet模型 4 5 裂縫圖像分割模型Att_Nested_UNet 4 5 1 相關研究 4 5 2 Att_Nested_UNet的工作原理 4 5 3 實驗及結果 4 6 本章小結 參考文獻 第5章 基於對抗遷移學習的水下大壩裂縫圖像分割演算法 5 1 引言 5 2 相關工作 5 2 1 裂縫圖像分割 5 2 2 水下大壩裂縫圖像分割 5 2 3 遷移學習 5 3 本章演算法 5 3 1 網路模型 5 3 2 對抗遷移學習 5 3 3 損失函數 5 4 實驗與分析 5 4 1 數據集 5 4 2 訓練策略 5 4 3 實驗結果 5 4 4 評價指標 5 5 本章小結 參考文獻 第6章 基於改進Faster-RCNN的海洋生物檢測演算法 6 1 引言 6 2 相關工作 6 3 本章演算法 6 3 1 ResNet-BiFPN簡介 6 3 2 有效交並比 6 3 3 K-means++演算法 6 4 實驗與分析 6 4 1 實驗配置及數據集 6 4 2 評價指標 6 4 3 實驗結果 6 5 本章小結 參考文獻 第7章 基於YOLOv4的目標檢測演算法 7 1 引言 7 2 結合數據增強和改進YOLOv4的水下目標檢測演算法 7 2 1 CBAM-CSPDarknet53 7 2 2 DetPANet 7 2 3 PredMix 7 3 實驗與分析 7 3 1 實驗配置及數據集 7 3 2 實驗結果 7 4 本章小結 參考文獻 第8章 基於RetinaNet的密集目標檢測演算法 8 1 引言 8 2 本章演算法 8 2 1 本章演算法的主體框架 8 2 2 多維注意力模塊 8 2 3 弱化的非極大值抑制演算法 8 2 4 損失函數 8 3 實驗與分析 8 3 1 實驗環境與數據集 8 3 2 實驗參數與評價指標 8 3 3 實驗過程與結果分析 8 4 本章小結 參考文獻 第9章 基於LSTM網路的視頻圖像目標實時檢測演算法 9 1 引言 9 2 長短時記憶網路和記憶引導網路 9 2 1 長短時記憶網路 9 2 2 記憶引導網路 9 3 交叉檢測框架 9 3 1 交叉檢測框架的思路 9 3 2 交叉檢測框架的選擇 9 4 模型訓練和實驗分析 9 4 1 模型訓練策略 9 4 2 實驗分析 9 5 本章小結 參考文獻 第10章 基於改進YOLOv4的嵌入式變電站儀錶檢測演算法 10 1 引言 10 2 本章演算法 10 2 1 YOLOv4簡介 10 2 2 對YOLOv4的改進 10 3 實驗與分析 10 3 1 數據集與實驗平台 10 3 2 數據集與實驗平台 10 3 3 計算量與模型參數對比 10 3 4 檢測速度和檢測精度的對比 10 4 本章小結 參考文獻 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PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
