第1章Python環(huán)境與基礎(chǔ)11.1Python語言的開發(fā)環(huán)境11.1.1Jupyter Notebook11.1.2OpenCV11.1.3TensorFlow21.1.4PyTorch31.1.5Paddle Paddle71.2Python基礎(chǔ)知識(shí)81.2.1Python編程基礎(chǔ)81.2.2Python函數(shù)進(jìn)階151.3基于Python的數(shù)據(jù)分析與可視化221.3.1Python的數(shù)據(jù)分析庫與數(shù)據(jù)可視化庫221.3.2基于Python的數(shù)據(jù)分析231.3.3基于Python的數(shù)據(jù)可視化231.4基于Python的聚類算法251.4.1聚類分析251.4.2聚類算法25第2章機(jī)器學(xué)習(xí)372.1機(jī)器學(xué)習(xí)的發(fā)展382.2機(jī)器學(xué)習(xí)的問題描述392.3機(jī)器學(xué)習(xí)的理論基礎(chǔ)與主要方法392.3.1機(jī)器學(xué)習(xí)的理論基礎(chǔ)392.3.2機(jī)器學(xué)習(xí)的主要方法402.3.3機(jī)器學(xué)習(xí)的經(jīng)典模型422.3.4機(jī)器學(xué)習(xí)的知識(shí)圖譜442.3.5機(jī)器學(xué)習(xí)的三要素462.4機(jī)器學(xué)習(xí)的基本流程462.4.1機(jī)器學(xué)習(xí)的訓(xùn)練流程462.4.2模型訓(xùn)練的注意事項(xiàng)482.5數(shù)據(jù)挖掘及其基本步驟492.5.1數(shù)據(jù)挖掘492.5.2預(yù)測(cè)建模512.5.3數(shù)據(jù)挖掘的基本步驟522.6機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘的常用工具53目錄···深度學(xué)習(xí)與圖像處理：基礎(chǔ)、進(jìn)階與案例實(shí)戰(zhàn)第3章圖像處理基礎(chǔ)553.1圖像去模糊553.1.1圖像模糊類型553.1.2圖像模糊退化模型573.1.3圖像先驗(yàn)知識(shí)583.2圖像去噪603.2.1噪聲模型603.2.2傳統(tǒng)的圖像去噪方法633.2.3去噪效果評(píng)價(jià)指標(biāo)633.3圖像全色銳化643.3.1成分替換法643.3.2GIHS變換融合653.3.3PCA變換融合663.3.4GS變換融合673.3.5多分辨率分析法673.3.6小波變換法683.3.7模型優(yōu)化法693.4圖像修復(fù)733.4.1圖像修復(fù)概念733.4.2傳統(tǒng)的圖像修復(fù)算法733.4.3常用的圖像修復(fù)數(shù)據(jù)集74第4章深度學(xué)習(xí)基礎(chǔ)754.1神經(jīng)網(wǎng)絡(luò)754.1.1生物神經(jīng)元與人工神經(jīng)元764.1.2感知器784.2神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與優(yōu)化804.2.1神經(jīng)網(wǎng)絡(luò)的訓(xùn)練804.2.2神經(jīng)網(wǎng)絡(luò)的優(yōu)化算法814.3反向傳播算法864.3.1反向傳播算法思想864.3.2反向傳播算法過程874.4欠擬合與過擬合894.4.1基本概念904.4.2以減少特征變量的方法防止過擬合914.4.3以權(quán)重正則化的方法防止過擬合924.4.4以交叉驗(yàn)證的方法防止過擬合924.4.5以Dropout正則化的方法防止過擬合944.4.6貝葉斯正則化95第5章深度神經(jīng)網(wǎng)絡(luò)985.1深度神經(jīng)網(wǎng)絡(luò)概述985.1.1深度神經(jīng)網(wǎng)絡(luò)的工作原理985.1.2深度神經(jīng)網(wǎng)絡(luò)的主要模型1015.2卷積神經(jīng)網(wǎng)絡(luò)1025.2.1輸入層1025.2.2隱藏層1035.2.3輸出層（全連接層）1125.3卷積神經(jīng)網(wǎng)絡(luò)算法1135.3.1鏈?zhǔn)椒▌t1135.3.2梯度下降與反向傳播算法1135.3.3卷積層的誤差傳遞1155.3.4卷積層權(quán)重梯度的計(jì)算1165.3.5池化層的誤差傳遞1175.4卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與優(yōu)化1185.4.1卷積神經(jīng)網(wǎng)絡(luò)的工作流程1185.4.2訓(xùn)練與優(yōu)化1185.4.3卷積神經(jīng)網(wǎng)絡(luò)與人工神經(jīng)網(wǎng)絡(luò)的比較120第6章圖神經(jīng)網(wǎng)絡(luò)1216.1圖神經(jīng)網(wǎng)絡(luò)概述1216.1.1圖神經(jīng)網(wǎng)絡(luò)的出現(xiàn)與發(fā)展1216.1.2圖神經(jīng)網(wǎng)絡(luò)1236.2經(jīng)典的圖神經(jīng)網(wǎng)絡(luò)1246.2.1圖卷積網(wǎng)絡(luò)1246.2.2圖樣本和聚合1256.2.3圖注意力網(wǎng)絡(luò)1296.3其他圖神經(jīng)網(wǎng)絡(luò)模型1316.3.1無監(jiān)督的節(jié)點(diǎn)表示學(xué)習(xí)1316.3.2圖池化140第7章空洞多級(jí)卷積神經(jīng)網(wǎng)絡(luò)1437.1空洞多級(jí)模塊1437.1.1空洞卷積1437.1.2空洞多級(jí)模塊結(jié)構(gòu)1457.2基于卷積神經(jīng)網(wǎng)絡(luò)的高效Pan-sharpening模型1467.2.1數(shù)據(jù)集1467.2.2超參數(shù)設(shè)置與網(wǎng)絡(luò)結(jié)構(gòu)選擇1487.2.3代價(jià)函數(shù)及其求解1507.3深度學(xué)習(xí)結(jié)合模型優(yōu)化的Pan-sharpening模型1507.3.1基于梯度域的線性Pan-sharpening模型優(yōu)化算法1517.3.2基于深度梯度先驗(yàn)的Pan-sharpening模型優(yōu)化算法1547.4多尺度空洞深度卷積神經(jīng)網(wǎng)絡(luò)1607.4.1SRCNN1607.4.2超分辨率多尺度空洞卷積神經(jīng)網(wǎng)絡(luò)1617.4.3多尺度多深度空洞卷積神經(jīng)網(wǎng)絡(luò)164第8章深度強(qiáng)化學(xué)習(xí)1678.1組成與結(jié)構(gòu)1678.1.1基本概念1678.1.2馬爾可夫決策過程1688.1.3數(shù)學(xué)基礎(chǔ)1698.1.4策略迭代1708.1.5值迭代1718.2深度學(xué)習(xí)與強(qiáng)化學(xué)習(xí)1718.2.1深度學(xué)習(xí)與強(qiáng)化學(xué)習(xí)之不同1728.2.2深度學(xué)習(xí)與強(qiáng)化學(xué)習(xí)之結(jié)合1738.3基于值函數(shù)的深度強(qiáng)化學(xué)習(xí)1738.3.1深度Q學(xué)習(xí)1748.3.2DQN與Q學(xué)習(xí)的區(qū)別1768.3.3改進(jìn)深度Q網(wǎng)絡(luò)1768.4基于策略梯度的深度強(qiáng)化學(xué)習(xí)1848.4.1深度確定性策略梯度算法1858.4.2異步深度強(qiáng)化學(xué)習(xí)算法1878.4.3信賴域策略優(yōu)化及其衍生算法191第9章深度生成對(duì)抗網(wǎng)絡(luò)1989.1生成對(duì)抗網(wǎng)絡(luò)1989.1.1生成網(wǎng)絡(luò)1999.1.2鑒別網(wǎng)絡(luò)2009.1.3損失函數(shù)2019.2多尺度生成對(duì)抗網(wǎng)絡(luò)2019.2.1多尺度結(jié)構(gòu)2019.2.2多尺度生成對(duì)抗網(wǎng)絡(luò)結(jié)構(gòu)2029.2.3損失函數(shù)2049.3深度卷積生成對(duì)抗網(wǎng)絡(luò)2049.3.1DCGAN的優(yōu)化2059.3.2DCGAN的改進(jìn)2069.3.3DCGAN的設(shè)計(jì)2069.4半監(jiān)督深度卷積生成對(duì)抗網(wǎng)絡(luò)2069.4.1YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)2079.4.2改進(jìn)的YOLOv5網(wǎng)絡(luò)2129.4.3半監(jiān)督Y(jié)OLOv5網(wǎng)絡(luò)2209.5深度強(qiáng)化對(duì)抗學(xué)習(xí)網(wǎng)絡(luò)2239.5.1Exposure圖像增強(qiáng)模型2249.5.2相對(duì)對(duì)抗學(xué)習(xí)及獎(jiǎng)勵(lì)函數(shù)2269.5.3評(píng)論家正則化策略梯度算法2279.5.4網(wǎng)絡(luò)結(jié)構(gòu)228第10章基礎(chǔ)實(shí)戰(zhàn)案例22910.1Python開發(fā)環(huán)境的安裝與驗(yàn)證22910.1.1Python安裝22910.1.2OpenCV安裝與驗(yàn)證23210.1.3TensorFlow安裝與驗(yàn)證23410.2基于PCA-BP神經(jīng)網(wǎng)絡(luò)的數(shù)字儀器識(shí)別技術(shù)24910.2.1表盤區(qū)域提取25010.2.2圖像預(yù)處理25010.2.3字符識(shí)別25110.2.4字符識(shí)別的神經(jīng)網(wǎng)絡(luò)25110.2.5實(shí)驗(yàn)設(shè)計(jì)254第11章進(jìn)階實(shí)戰(zhàn)案例25611.1基于深度卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像分類25611.1.1基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像識(shí)別25611.1.2基于改進(jìn)AlexNet網(wǎng)絡(luò)的遙感圖像分類25711.1.3仿真實(shí)驗(yàn)與結(jié)果分析26011.2基于多尺度級(jí)聯(lián)生成對(duì)抗網(wǎng)絡(luò)的水下圖像增強(qiáng)26511.2.1網(wǎng)絡(luò)結(jié)構(gòu)和損失函數(shù)26511.2.2仿真實(shí)驗(yàn)與結(jié)果分析26811.2.3消融實(shí)驗(yàn)27611.3基于多層次卷積特征融合與高置信度更新的跟蹤27611.3.1基于多層次卷積特征融合與高置信度更新的跟蹤算法27711.3.2仿真實(shí)驗(yàn)與結(jié)果分析28011.4基于圖生成對(duì)抗卷積網(wǎng)絡(luò)的半監(jiān)督睡眠分期28911.4.1睡眠信號(hào)基本理論29011.4.2GSGANet模型29511.4.3仿真實(shí)驗(yàn)與結(jié)果分析30011.5基于密集連接的序列稀疏化Transformer行人重識(shí)別30611.5.1密集連接的稀疏Transformer模型30711.5.2仿真實(shí)驗(yàn)與結(jié)果分析31111.6基于改進(jìn)YOLOv5網(wǎng)絡(luò)的無人機(jī)圖像檢測(cè)31711.6.1問題與解決思路31811.6.2算法原理31811.6.3仿真實(shí)驗(yàn)與結(jié)果分析32111.7基于級(jí)聯(lián)多尺度特征融合殘差網(wǎng)絡(luò)的圖像去噪32611.7.1問題與解決思路32711.7.2模型與架構(gòu)分析32811.7.3仿真實(shí)驗(yàn)與結(jié)果分析332參考文獻(xiàn)337附錄341