深度學(xué)習(xí):智能網(wǎng)絡(luò)目標(biāo)識別技術(shù)
定 價:68 元
- 作者:石曉榮
- 出版時間:2025/5/1
- ISBN:9787121503320
- 出 版 社:電子工業(yè)出版社
- 中圖法分類:TP181
- 頁碼:244
- 紙張:
- 版次:01
- 開本:16開
深度學(xué)習(xí)目標(biāo)檢測識別技術(shù)是人工智能專業(yè)當(dāng)前研究熱點,在民用和國防領(lǐng)域都有著重大需求,也是一個巨大的技術(shù)難題,在資源受限平臺下,目標(biāo)感知不確定性大、效率低、功耗大。本書旨在通過對智能網(wǎng)絡(luò)目標(biāo)識別技術(shù)主要原理和方法的介紹,并且結(jié)合作者自己多年來智能感知方面的研究成果,對于其他書籍未涉及到的一些前沿研究進(jìn)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(biāo)的發(fā)展歷史,簡介了機器學(xué)習(xí)的基本概念,歸納了基于統(tǒng)計模式識別問題和基于深度學(xué)習(xí)目標(biāo)識別,深入研究了主流深度學(xué)習(xí)算法的發(fā)展過程和技術(shù)細(xì)節(jié),這部分作為進(jìn)一步學(xué)習(xí)不確定視覺感知的基礎(chǔ)內(nèi)容。第三章和第四章介紹了不確定視覺感知與深度學(xué)習(xí)的理論和應(yīng)用結(jié)合,包括不確定性視覺感知的定義,Gabor不確定性有界表征和Gabor深度學(xué)習(xí)網(wǎng)絡(luò),以及調(diào)制卷積神經(jīng)網(wǎng)絡(luò)的具體實現(xiàn)細(xì)節(jié)和實驗驗證。第五章至第八章詳細(xì)討論了基于不確定性視覺感知算法的應(yīng)用和部署,包括智能目標(biāo)檢測與識別的架構(gòu)和方法設(shè)計,可解釋目標(biāo)識別方法與應(yīng)用,知識內(nèi)嵌智能網(wǎng)絡(luò)識別方法的技術(shù)細(xì)節(jié)和應(yīng)用,以及深度學(xué)習(xí)模型壓縮技術(shù)與部署。
石曉榮,現(xiàn)任航天科工集團(tuán)公司高級專家,兼任裝備發(fā)展部某專業(yè)組成員、軍科委某領(lǐng)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(xiàn)任某專項應(yīng)用總師。一直從事導(dǎo)航制導(dǎo)與控制科研工作,理論與實踐經(jīng)驗豐富。獲國防科技卓越青年基金資質(zhì)。獲國家科技進(jìn)步特等獎1項、國防科技進(jìn)步一等獎2項。授權(quán)專利30余項,發(fā)表論文20余篇。獲全國三八紅旗手、五四青年獎?wù)潞蛧鴦?wù)院政府特殊津貼。
第 1 章? 智能網(wǎng)絡(luò)目標(biāo)識別發(fā)展概述 ………………………………………………… 1
1.1 目標(biāo)識別技術(shù) …………………………………………………………………… 2
1.1.1 目標(biāo)識別的基本概念與原理 …………………………………………… 2
1.1.2 目標(biāo)識別的發(fā)展歷程 …………………………………………………… 3
1.2 傳統(tǒng)目標(biāo)識別技術(shù) ……………………………………………………………… 4
1.2.1 經(jīng)典的特征提取原理 …………………………………………………… 4
1.2.2 經(jīng)典目標(biāo)檢測器 ……………………………………………………… 13
1.3 智能網(wǎng)絡(luò)目標(biāo)識別技術(shù) ……………………………………………………… 15
1.3.1 基于錨框的智能網(wǎng)絡(luò)目標(biāo)識別技術(shù) ………………………………… 16
1.3.2 無錨框的智能網(wǎng)絡(luò)目標(biāo)識別技術(shù) …………………………………… 18
1.4 數(shù)據(jù)集及模型評估指標(biāo) ……………………………………………………… 20
1.4.1 目標(biāo)分類任務(wù)的公開數(shù)據(jù)集和模型評估指標(biāo) ……………………… 20
1.4.2 目標(biāo)檢測任務(wù)的公開數(shù)據(jù)集和模型評估指標(biāo) ……………………… 23
1.5 總結(jié) …………………………………………………………………………… 26
參考文獻(xiàn) …………………………………………………………………………… 26
第?2?章? 智能網(wǎng)絡(luò)目標(biāo)識別基礎(chǔ) …………………………………………………… 30
2.1 深度學(xué)習(xí)技術(shù)原理 …………………………………………………………… 31
2.2 神經(jīng)網(wǎng)絡(luò) ……………………………………………………………………… 34
2.2.1 感知機 ………………………………………………………………… 34
2.2.2 前饋神經(jīng)網(wǎng)絡(luò) ………………………………………………………… 36
2.2.3 反向傳播算法 ………………………………………………………… 38
2.3 深度學(xué)習(xí)算法、模型與優(yōu)化 ………………………………………………… 41
2.3.1 深度學(xué)習(xí)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(wǎng)絡(luò)模型 …………………………………………………… 48
2.3.4 深度模型的優(yōu)化算法 ………………………………………………… 58
2.4 典型智能網(wǎng)絡(luò)目標(biāo)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(jié) …………………………………………………………………………… 76
參考文獻(xiàn) …………………………………………………………………………… 76
第?3?章? 新型注意力機制深度目標(biāo)識別方法 …………………………………… 79
3.1 概述 …………………………………………………………………………… 80
3.2 引入反饋機制的特征優(yōu)化檢測器 …………………………………………… 83
3.2.1 IFF 模塊 ……………………………………………………………… 83
3.2.2 穩(wěn)定性證明 …………………………………………………………… 87
3.2.3 實驗結(jié)果 ……………………………………………………………… 90
3.3 雙分辨率骨干網(wǎng)絡(luò)目標(biāo)識別方法 …………………………………………… 95
3.3.1 網(wǎng)絡(luò)總體結(jié)構(gòu) ………………………………………………………… 95
3.3.2 尺度內(nèi)傳播模塊 ……………………………………………………… 97
3.3.3 尺度間對齊模塊 ……………………………………………………… 98
3.3.4 雙分辨率特征金字塔網(wǎng)絡(luò) DS-FPN ………………………………… 99
3.3.5 實驗結(jié)果 ……………………………………………………………… 100
3.4 總結(jié) …………………………………………………………………………… 105
參考文獻(xiàn) …………………………………………………………………………… 106
第?4?章? 可控視覺表征目標(biāo)識別方法 ……………………………………………… 110
4.1 混合高斯不確定性有界理論 ………………………………………………… 111
4.2 基于 Gabor 的魯棒特征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(shù)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(jié) …………………………………………………………………………… 129
參考文獻(xiàn) …………………………………………………………………………… 129
第?5?章? 知識內(nèi)嵌智能目標(biāo)識別方法 ……………………………………………… 132
5.1 深度模型中的知識內(nèi)嵌方法概述 …………………………………………… 133
5.2 引入介尺度注意力的知識內(nèi)嵌視覺模型 …………………………………… 136
5.2.1 多模態(tài) CLIP 算法 …………………………………………………… 136
5.2.2 知識內(nèi)嵌模型 ………………………………………………………… 139
5.2.3 仿真實驗 ……………………………………………………………… 143
5.3 屬性增強知識內(nèi)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 基于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(jié) …………………………………………………………………………… 152
參考文獻(xiàn) …………………………………………………………………………… 153
第?6?章? 可解釋性目標(biāo)識別方法 …………………………………………………… 155
6.1 可解釋性方法綜述 …………………………………………………………… 156
6.2 基于誤差分?jǐn)?shù)機制的可解釋性目標(biāo)識別方法 ……………………………… 158
6.2.1 誤差分?jǐn)?shù)機制 ………………………………………………………… 158
6.2.2 可解釋性方法實驗結(jié)果 ……………………………………………… 160
6.2.3 模型性能極限研究 …………………………………………………… 162
6.3 基于因果約束的可解釋性目標(biāo)識別方法 …………………………………… 166
6.3.1 基于因果推斷的特征重加權(quán)算法 …………………………………… 166
6.3.2 實驗結(jié)果 ……………………………………………………………… 170
6.4 基于語義分析的細(xì)粒度可解釋性目標(biāo)識別方法 …………………………… 174
6.4.1 語義特征分析算法 …………………………………………………… 174
6.4.2 基于語義特征提取的可解釋性深度學(xué)習(xí)算法設(shè)計與分析 ………… 179
6.4.3 語義特征提取算法有效性分析 ……………………………………… 181
6.5 總結(jié) …………………………………………………………………………… 183
參考文獻(xiàn) …………………………………………………………………………… 183
第?7?章? 深度模型壓縮技術(shù) ………………………………………………………… 186
7.1 深度模型壓縮技術(shù)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(jīng)網(wǎng)絡(luò)架構(gòu)搜索 …………………………………………………… 194
7.1.6 緊致化結(jié)構(gòu)設(shè)計 ……………………………………………………… 198
7.1.7 深度模型壓縮技術(shù)的選擇 …………………………………………… 199
7.2 引入生成對抗的最優(yōu)結(jié)構(gòu)化剪枝方法 ……………………………………… 200
7.2.1 預(yù)備知識 ……………………………………………………………… 202
7.2.2 公式建立 ……………………………………………………………… 202
7.2.3 優(yōu)化求解 ……………………………………………………………… 203
7.2.4 結(jié)構(gòu)選擇 ……………………………………………………………… 205
7.2.5 實驗結(jié)果 ……………………………………………………………… 206
7.3 閉式低秩分解和知識遷移的全局 CNN 壓縮方法 ………………………… 211
7.3.1 全局閉式低秩分解與知識遷移 ……………………………………… 212
7.3.2 實驗結(jié)果 ……………………………………………………………… 220
7.4 總結(jié) …………………………………………………………………………… 228
參考文獻(xiàn) …………………………………………………………………………… 228