前言
在人工智能技术迅猛发展的时代背景下,智能图像分析与理解作为人工智能领域的核心研究方向,正深刻推动着科技与产业的变革。为适应这一趋势,并满足高水平人才培养需求,我们编写了本书,旨在系统构建智能图像分析与理解的知识体系,为高年级本科生、研究生和相关领域科研工作者提供兼具理论深度与实践广度的专业参考书。
本书由国防科技大学长期从事相关教学与科研工作的教师团队合作完成。具体撰写分工如下: 傅瑞罡负责第1章“绪论”和第7章“智能图像语义分割”;钟平负责第2章“智能图像表征的基础理论”和第3章“智能图像表征模型”;胡锡坤负责第4章“智能图像复原与增强”和第5章“智能图像生成”;宾康成负责第6章“智能图像目标检测”;李冬冬负责第8章“智能序列图像目标跟踪”。每位作者均在其撰写章节中融入了多年的研究成果和教学心得。
本书在撰写过程中,特别注重学术前沿与经典理论的平衡,不仅系统介绍了卷积神经网络、生成对抗网络、Transformer等主流模型,还及时纳入了扩散模型、Mamba状态空间模型、多模态学习等新兴研究方向。各章均配有模型分析、性能对比和丰富的练习题,帮助读者深化理论理解,提升工程实践与创新能力。通过对方法模型的系统对比分析,读者能够掌握技术发展的内在脉络,提升解决实际问题的能力。
从内容组织来看,本书具有清晰的逻辑主线与层次结构。首先建立智能图像表征的基础理论与技术框架,深入讲解从模型构建、训练、评估到部署的全流程;随后系统介绍各类重要表征模型,包括卷积表征基础模型、深层表征模型、加宽表征模型、密集连接表征模型及上下文表征模型等;进而围绕智能图像复原与增强、智能图像生成,分别从“修复与提升”和“创造与合成”两个维度阐述图像分析任务;最后,通过目标检测、语义分割与序列图像目标跟踪三个典型应用领域,系统展现智能图像分析与理解技术在实际场景中的综合应用,形成从基础到前沿、从理论到实践的完整教学体系。
本书强调理论与实践并重,既注重数学模型与算法机理的严谨性,也关注技术实现与系统构建的可行性。为便于教学与自学,各章均设有引言、本章小结、练习题和参考文献,并配有大量插图和附表,增强内容的可读性与可操作性。
谨向所有参与本书撰写、审校与支持工作的同仁、研究生和科研团队表示衷心感谢。由于智能图像分析与理解技术发展日新月异,书中难免存在疏漏或不足之处,恳请广大读者和专家批评指正,以便我们不断修订完善。
编者
国防科技大学
2026年8月
