领域自适应目标检测方法与应用PDF|Epub|txt|kindle电子书版本网盘下载

领域自适应目标检测方法与应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1 背景及意义1

1.2 目标检测研究现状3

1.2.1 目标检测方法概述3

1.2.2 基于分类卷积神经网络的目标检测方法6

1.2.3 基于回归卷积神经网络的目标检测方法10

1.3 目标检测迁移学习研究现状13

1.3.1 领域自适应目标分类方法14

1.3.2 领域自适应目标检测方法19

1.4 问题与不足22

1.5 研究内容及主要贡献22

第2章 卷积神经网络及其在车辆检测中的应用案例26

2.1 卷积神经网络26

2.1.1 发展过程26

2.1.2 基本结构27

2.1.3 训练方法30

2.1.4 研究进展30

2.1.5 常用模型32

2.2 基于卷积神经网络的车辆检测方法33

2.2.1 引言33

2.2.2 模型设计35

2.2.3 实验分析37

2.3 本章小结41

第3章 面向监控场景的车辆检测器迁移方法42

3.1 引言42

3.2 方法概述44

3.3 迁移车辆检测器45

3.3.1 迁移特征45

3.3.2 优化结构47

3.3.3 调整网络48

3.4 实验分析50

3.4.1 UIUC车辆数据集51

3.4.2 MIT交通数据集53

3.4.3 UESTC道路数据集56

3.4.4 讨论分析57

3.5 本章小结59

第4章 面向监控场景的目标检测器构建方法60

4.1 引言60

4.2 方法概述62

4.3 迁移卷积神经网络64

4.3.1 预训练后的卷积神经网络64

4.3.2 选择可用卷积核64

4.4 学习上下文信息66

4.4.1 上下文卷积神经网络66

4.4.2 参数训练过程69

4.5 估计边界框72

4.6 实验分析72

4.6.1 实验数据72

4.6.2 实验设置74

4.6.3 行人检测75

4.6.4 参数分析78

4.6.5 车辆检测82

4.7 本章小结84

第5章 基于分类器回归迁移方法的行人检测研究85

5.1 研究现状与问题形成85

5.2 预备知识87

5.2.1 自编码器神经网络87

5.2.2 ESVM分类器90

5.2.3 问题定义91

5.3 源域数据集91

5.4 分类器回归模型框架93

5.4.1 回归标签数据的准备94

5.4.2 基于自编码器的回归标签数据降维95

5.4.3 基于两阶段回归网络的映射学习97

5.5 基于分类器回归的行人检测框架99

5.6 实验101

5.6.1 目标应用场景介绍101

5.6.2 实验设置103

5.6.3 在目标场景上的对比实验104

5.6.4 分析前端通用检测器对性能的影响108

5.6.5 验证两阶段回归方案的有效性109

5.6.6 如何确定回归标签数据的降维程度110

5.7 本章小结111

第6章 基于自适应分类器调整迁移方法的行人检测研究113

6.1 研究现状与问题形成113

6.2 预备知识115

6.2.1 单层感知机的几何意义116

6.2.2 问题定义117

6.3 CNNDAC的算法框架118

6.4 模型训练方法118

6.4.1 CCNN子网络训练方法120

6.4.2 MNN子网络训练方法123

6.4.3 训练技巧124

6.5 检测流程125

6.6 实验126

6.6.1 实验设置126

6.6.2 在目标域应用场景上的对比实验129

6.6.3 验证分类器调整的自适应性133

6.6.4 验证CNNDAC中主要技术的有效性135

6.7 本章小结136

第7章 基于自适应特征调控迁移方法的行人检测研究137

7.1 研究现状与问题形成137

7.2 预备知识139

7.2.1 卷积计算140

7.2.2 池化操作141

7.2.3 卷积神经网络142

7.3 MCNN的算法框架147

7.4 模型训练方法149

7.4.1 DyNN子网络训练方法149

7.4.2 MNN子网络训练方法149

7.4.3 检测流程152

7.5 实验152

7.5.1 实验设置152

7.5.2 在目标域应用场景上的检测结果153

7.5.3 验证特征图权重预测的自适应性157

7.5.4 验证特征图权重预测技术的有效性159

7.6 本书所提三种域自适应目标检测方法的横向对比160

7.7 本章小结163

第8章 基于记忆预测的目标检测方法164

8.1 引言164

8.2 方法概述166

8.3 基于记忆预测的分类模型167

8.3.1 序列生成167

8.3.2 特征提取168

8.3.3 记忆存储168

8.3.4 训练策略169

8.4 基于记忆预测的回归模型170

8.4.1 目标检测流程170

8.4.2 回复式卷积神经网络171

8.5 实验分析172

8.5.1 实现细节172

8.5.2 行人检测173

8.5.3 分析讨论177

8.5.4 车辆检测180

8.6 本章小结182

第9章 基于序列学习的行人检测方法184

9.1 引言184

9.2 方法概述186

9.3 基于记忆预测的序列学习模型188

9.3.1 序列生成188

9.3.2 特征提取188

9.3.3 次序交换189

9.3.4 记忆存储190

9.3.5 联合学习191

9.4 基于序列学习的行人检测模型193

9.5 实验分析193

9.5.1 实现细节193

9.5.2 INRIA行人数据集194

9.5.3 TUD行人数据集195

9.5.4 分析讨论197

9.6 本章小结199

第10章 总结与展望200

10.1 全文总结200

10.2 工作展望202

参考文献204

索引224