目录
第1章绪论1
引言2
1.1智能图像分析与理解的内涵2
1.1.1图像分析与图像理解概述2
1.1.2“智能”的内涵3
1.2图像分析与理解技术演进4
1.2.1前深度学习时代4
1.2.2深度学习时代5
1.2.3当下与未来6
1.3智能图像分析与理解技术的任务谱系7
1.4智能图像分析与理解技术的典型应用8
1.4.1文物数字化修复8
1.4.2媒体内容生成与创意设计8
1.4.3遥感成像解译9
1.4.4自动驾驶感知9
1.4.5城市安防10
本章小结11
练习题11
参考文献11
第2章智能图像表征的基础理论12
引言13
2.1图像表征的数学模型13
2.1.1图像表征模型13
2.1.2图像表征学习模型16
2.2智能图像表征总体技术框架17
2.2.1数据准备17
2.2.2模型构建20
2.2.3模型训练22
2.2.4模型评估23
2.2.5模型测试25
2.2.6模型部署28
2.3智能图像表征模型构建29
2.3.1基础结构单元29
2.3.2模型构建方法41
2.4智能图像表征模型训练42
2.4.1模型训练内涵42
2.4.2模型训练目标函数42
2.4.3模型训练方法44
2.4.4模型训练技巧46
本章小结48
练习题49
参考文献49
第3章智能图像表征模型50
引言51
3.1图像卷积表征基础模型51
3.1.1卷积结构与图像表征51
3.1.2经典卷积神经网络52
3.2图像深层表征模型53
3.2.1序贯性图像深层表征模型53
3.2.2多分支图像深层表征模型57
3.2.3跨层连接图像深层表征模型62
3.2.4多分支与跨层连接组合图像深层表征模型69
3.3图像加宽表征模型72
3.3.1图像加宽表征72
3.3.2加宽表征模型实现72
3.3.3BLS扩展模型76
3.4图像密连表征模型77
3.4.1图像密集连接表征77
3.4.2密集连接表征模型的实现78
3.5图像上下文表征模型80
3.5.1图像上下文表征80
3.5.2基于CNN的图像上下文表征模型80
3.5.3基于Transformer的图像上下文表征模型84
3.5.4基于状态空间模型的图像上下文表征模型86
3.6图像表征模型结构自动搜索88
3.6.1图像表征模型结构分析88
3.6.2表征模型结构自动搜索88
本章小结91
练习题91
参考文献92
第4章智能图像复原与增强93
引言94
4.1图像复原与增强概述94
4.1.1图像复原与增强的基本概念94
4.1.2图像复原与增强的应用场景94
4.1.3质量评价指标95
4.2智能图像去噪97
4.2.1DnCNN99
4.2.2CBDNet100
4.2.3RIDNet102
4.3智能图像去模糊105
4.3.1DeepDeblurNet106
4.3.2SRNDeblurNet108
4.3.3DeblurGAN109
4.4智能图像超分辨率111
4.4.1SRCNN113
4.4.2SRGAN114
4.4.3RCAN116
4.4.4SwinIR117
4.4.5SR3119
4.5智能低光照图像增强120
4.5.1LLNet121
4.5.2RetinexNet123
4.5.3ZeroDCE125
4.5.4EnlightenGAN128
本章小结130
练习题130
参考文献131
第5章智能图像生成132
引言133
5.1图像生成的理论与架构133
5.1.1生成任务的数学理论133
5.1.2生成模型的整体架构135
5.2基于自回归生成模型的图像生成135
5.2.1PixelRNN136
5.2.2PixelCNN137
5.3基于变分自编码器的图像生成138
5.3.1AE139
5.3.2VAE139
5.3.3CVAE143
5.4基于生成对抗网络的图像生成144
5.4.1cGAN144
5.4.2Pix2Pix146
5.4.3CycleGAN148
5.5基于扩散模型的图像生成150
5.5.1DDPM150
5.5.2DDIM152
5.5.3Stable Diffusion153
5.5.4ControlNet156
本章小结159
练习题159
参考文献160
第6章智能图像目标检测161
引言162
6.1目标检测概述162
6.1.1目标检测数据集162
6.1.2效果表示164
6.1.3性能评估166
6.2两阶段RCNN系列目标检测算法169
6.2.1候选区域生成169
6.2.2RCNN170
6.2.3Fast RCNN172
6.2.4Faster RCNN174
6.3单阶段YOLO系列目标检测算法176
6.3.1YOLOv1176
6.3.2YOLOv2178
6.3.3YOLOv3180
6.3.4YOLOv4/v5/v8182
6.3.5YOLOv10187
6.3.6YOLOv13189
6.4基于Transformer的目标检测算法191
6.4.1DETR191
6.4.2Deformable DETR193
6.4.3DINO195
6.5开放目标检测算法197
6.5.1GLIP197
6.5.2Grounding DINO198
6.5.3DINOv3201
6.5.4YOLOWorld203
6.6目标检测算法性能与算法优化205
6.6.1在典型目标检测数据集上的实验结果205
6.6.2数据增强与预处理207
6.6.3模型结构优化209
6.6.4训练策略改进211
本章小结212
练习题213
参考文献213
第7章智能图像语义分割214
引言215
7.1常用图像语义分割数据集215
7.1.1PASCAL VOC216
7.1.2COCO与LVIS216
7.1.3ADE20K217
7.1.4Cityscapes217
7.1.5CamVid218
7.2基于全卷积网络的图像语义分割模型218
7.2.1基于全卷积网络的语义分割模型218
7.2.2基于全卷积网络的对称语义分割模型221
7.2.3基于全卷积网络的扩张语义分割模型224
7.2.4基于全卷积网络的特征融合语义分割模型226
7.3基于循环神经网络的图像语义分割模型227
7.4基于生成对抗网络的图像语义分割模型229
7.5基于Transformer的图像语义分割模型230
7.5.1SegFormer231
7.5.2Segmenter232
7.5.3SAM233
7.6图像语义分割结果对比234
7.6.1性能评估指标234
7.6.2图像语义分割算法结果对比234
本章小结235
练习题236
参考文献236
第8章智能序列图像目标跟踪237
引言238
8.1目标跟踪概述238
8.1.1基本概念238
8.1.2分类方式241
8.2智能单目标跟踪242
8.2.1基于孪生卷积神经网络的单目标跟踪242
8.2.2基于Transformer的单目标跟踪246
8.2.3基于Mamba的单目标跟踪253
8.2.4单目标跟踪典型数据集及评价指标257
8.2.5单目标跟踪算法性能分析260
8.3智能多目标跟踪261
8.3.1基于卷积神经网络的多目标跟踪261
8.3.2基于Transformer的多目标跟踪271
8.3.3基于Mamba的多目标跟踪279
8.3.4多目标跟踪典型数据集及评价指标283
8.3.5多目标跟踪算法性能分析287
本章小结288
练习题289
参考文献289
