深度学习：智能网络目标识别技术

定　　价：68 元

丛书名：

• 作者：石晓荣
• 出版时间：2025/5/1
• ISBN：9787121503320
• 出 版 社：电子工业出版社

适用读者:本书适用于高职高专/本科/研究生，人工智能、机器学习、计算机视觉等领域课程，理论课32学时。本书面向有一定数学基础的研究人员或者学生，以及有志于钻研人工智能相关领域，包括机器学习和智能感知等方向的读者。

• 中图法分类：TP181 
• 页码：244
• 版次：01
• 开本：16开
• 字数：273(单位：千字)

内容简介

深度学习目标检测识别技术是人工智能专业当前研究热点，在民用和国防领域都有着重大需求，也是一个巨大的技术难题，在资源受限平台下，目标感知不确定性大、效率低、功耗大。本书旨在通过对智能网络目标识别技术主要原理和方法的介绍，并且结合作者自己多年来智能感知方面的研究成果，对于其他书籍未涉及到的一些前沿研究进行了补充阐述。本书共八章，第一章和第二章介绍了智能目标的发展历史，简介了机器学习的基本概念，归纳了基于统计模式识别问题和基于深度学习目标识别，深入研究了主流深度学习算法的发展过程和技术细节，这部分作为进一步学习不确定视觉感知的基础内容。第三章和第四章介绍了不确定视觉感知与深度学习的理论和应用结合，包括不确定性视觉感知的定义，Gabor不确定性有界表征和Gabor深度学习网络，以及调制卷积神经网络的具体实现细节和实验验证。第五章至第八章详细讨论了基于不确定性视觉感知算法的应用和部署，包括智能目标检测与识别的架构和方法设计，可解释目标识别方法与应用，知识内嵌智能网络识别方法的技术细节和应用，以及深度学习模型压缩技术与部署。

作者介绍

石晓荣，现任航天科工集团公司高级专家，兼任装备发展部某专业组成员、军科委某领域青年专家，某国家重大专项论证组成员。曾任多个型号副总师，现任某专项应用总师。一直从事导航制导与控制科研工作，理论与实践经验丰富。获国防科技卓越青年基金资质。获国家科技进步特等奖1项、国防科技进步一等奖2项。授权专利30余项，发表论文20余篇。获全国三八红旗手、五四青年奖章和国务院政府特殊津贴。

目 录

第 1 章? 智能网络目标识别发展概述 ………………………………………………… 1
1.1 目标识别技术 …………………………………………………………………… 2
1.1.1 目标识别的基本概念与原理 …………………………………………… 2
1.1.2 目标识别的发展历程 …………………………………………………… 3
1.2 传统目标识别技术 ……………………………………………………………… 4
1.2.1 经典的特征提取原理 …………………………………………………… 4
1.2.2 经典目标检测器 ……………………………………………………… 13
1.3 智能网络目标识别技术 ……………………………………………………… 15
1.3.1 基于锚框的智能网络目标识别技术 ………………………………… 16
1.3.2 无锚框的智能网络目标识别技术 …………………………………… 18
1.4 数据集及模型评估指标 ……………………………………………………… 20
1.4.1 目标分类任务的公开数据集和模型评估指标 ……………………… 20
1.4.2 目标检测任务的公开数据集和模型评估指标 ……………………… 23
1.5 总结 …………………………………………………………………………… 26
参考文献 …………………………………………………………………………… 26
第?2?章? 智能网络目标识别基础 …………………………………………………… 30
2.1 深度学习技术原理 …………………………………………………………… 31
2.2 神经网络 ……………………………………………………………………… 34
2.2.1 感知机 ………………………………………………………………… 34
2.2.2 前馈神经网络 ………………………………………………………… 36
2.2.3 反向传播算法 ………………………………………………………… 38
2.3 深度学习算法、模型与优化 ………………………………………………… 41
2.3.1 深度学习算法的组成 ………………………………………………… 41
2.3.2 深度模型的核心部件 ………………………………………………… 43
2.3.3 代表性的网络模型 …………………………………………………… 48
2.3.4 深度模型的优化算法 ………………………………………………… 58
2.4 典型智能网络目标识别算法 ………………………………………………… 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 总结 …………………………………………………………………………… 76
参考文献 …………………………………………………………………………… 76
第?3?章? 新型注意力机制深度目标识别方法 …………………………………… 79
3.1 概述 …………………………………………………………………………… 80
3.2 引入反馈机制的特征优化检测器 …………………………………………… 83
3.2.1 IFF 模块 ……………………………………………………………… 83
3.2.2 稳定性证明 …………………………………………………………… 87
3.2.3 实验结果 ……………………………………………………………… 90
3.3 双分辨率骨干网络目标识别方法 …………………………………………… 95
3.3.1 网络总体结构 ………………………………………………………… 95
3.3.2 尺度内传播模块 ……………………………………………………… 97
3.3.3 尺度间对齐模块 ……………………………………………………… 98
3.3.4 双分辨率特征金字塔网络 DS-FPN ………………………………… 99
3.3.5 实验结果 ……………………………………………………………… 100
3.4 总结 …………………………………………………………………………… 105
参考文献 …………………………………………………………………………… 106
第?4?章? 可控视觉表征目标识别方法 ……………………………………………… 110
4.1 混合高斯不确定性有界理论 ………………………………………………… 111
4.2 基于 Gabor 的鲁棒特征提取与模型泛化能力提升 ………………………… 113
4.3 GCN …………………………………………………………………………… 116
4.3.1 GCN 前向传播 ………………………………………………………… 116
4.3.2 GCN 反向传播 ………………………………………………………… 118
4.4 GCN 实验验证与分析 ………………………………………………………… 119
4.4.1 手写体字符识别 ……………………………………………………… 119
4.4.2 街景数字识别 ………………………………………………………… 123
4.4.3 自然图像分类 ………………………………………………………… 124
4.4.4 大尺度图像分类 ……………………………………………………… 127
4.5 总结 …………………………………………………………………………… 129
参考文献 …………………………………………………………………………… 129
第?5?章? 知识内嵌智能目标识别方法 ……………………………………………… 132
5.1 深度模型中的知识内嵌方法概述 …………………………………………… 133
5.2 引入介尺度注意力的知识内嵌视觉模型 …………………………………… 136
5.2.1 多模态 CLIP 算法 …………………………………………………… 136
5.2.2 知识内嵌模型 ………………………………………………………… 139
5.2.3 仿真实验 ……………………………………………………………… 143
5.3 属性增强知识内嵌视觉模型 ………………………………………………… 145
5.3.1 视觉属性词表的引入 ………………………………………………… 146
5.3.2 专家知识提示工程 …………………………………………………… 147
5.3.3 基于交叉注意力机制的视觉属性词表对齐 ………………………… 149
5.3.4 仿真实验 ……………………………………………………………… 151
5.4 总结 …………………………………………………………………………… 152
参考文献 …………………………………………………………………………… 153
第?6?章? 可解释性目标识别方法 …………………………………………………… 155
6.1 可解释性方法综述 …………………………………………………………… 156
6.2 基于误差分数机制的可解释性目标识别方法 ……………………………… 158
6.2.1 误差分数机制 ………………………………………………………… 158
6.2.2 可解释性方法实验结果 ……………………………………………… 160
6.2.3 模型性能极限研究 …………………………………………………… 162
6.3 基于因果约束的可解释性目标识别方法 …………………………………… 166
6.3.1 基于因果推断的特征重加权算法 …………………………………… 166
6.3.2 实验结果 ……………………………………………………………… 170
6.4 基于语义分析的细粒度可解释性目标识别方法 …………………………… 174
6.4.1 语义特征分析算法 …………………………………………………… 174
6.4.2 基于语义特征提取的可解释性深度学习算法设计与分析 ………… 179
6.4.3 语义特征提取算法有效性分析 ……………………………………… 181
6.5 总结 …………………………………………………………………………… 183
参考文献 …………………………………………………………………………… 183
第?7?章? 深度模型压缩技术 ………………………………………………………… 186
7.1 深度模型压缩技术概述 ……………………………………………………… 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 知识蒸馏 ……………………………………………………………… 193
7.1.5 神经网络架构搜索 …………………………………………………… 194
7.1.6 紧致化结构设计 ……………………………………………………… 198
7.1.7 深度模型压缩技术的选择 …………………………………………… 199
7.2 引入生成对抗的最优结构化剪枝方法 ……………………………………… 200
7.2.1 预备知识 ……………………………………………………………… 202
7.2.2 公式建立 ……………………………………………………………… 202
7.2.3 优化求解 ……………………………………………………………… 203
7.2.4 结构选择 ……………………………………………………………… 205
7.2.5 实验结果 ……………………………………………………………… 206
7.3 闭式低秩分解和知识迁移的全局 CNN 压缩方法 ………………………… 211
7.3.1 全局闭式低秩分解与知识迁移 ……………………………………… 212
7.3.2 实验结果 ……………………………………………………………… 220
7.4 总结 …………………………………………………………………………… 228
参考文献 …………………………………………………………………………… 228