深度學習：圖像檢索原理與應用

第一篇 圖像檢索基礎
第1章 緒論
1.1 圖像檢索技術概述
1.1.1 圖像檢索的分類
1.1.2 圖像檢索的技術路線
1.1.3 圖像檢索的評價指標
1.1.4 圖像檢索的技術難點
1.2 圖像檢索的研究方法
1.2.1 基于手工描述符的圖像檢索
1.2.2 基于距離度量學習的圖像檢索
1.2.3 基于深度學習的圖像檢索
參考文獻
第2章 深度學習基礎
2.1 神經網絡
2.1.1 神經元模型
2.1.2 感知器和神經網絡
2.1.3 誤差反向傳播算法
2.1.4 常見的神經網絡模型
2.2 深度學習概述
2.2.1 卷積神經網絡
2.2.2 自動編碼器
2.2.3 生成對抗網絡
2.2.4 循環(huán)神經網絡
2.3 深度學習常用框架
2.3.1 Theano
2.3.2 TensorF1ow
2.3.3 Keras
2.3.4 Caffe/Caffe2
Z.3.5 MXNet
2.3.6 CNTK
2.3.7 PyTorch
2.3.8 其他框架
2.4 本章小結
參考文獻
第3章 基于深度學習的圖像檢索
3.1 基于卷積神經網絡的圖像檢索
3.2 基于生成對抗網絡的圖像檢索
3.3 基于注意力機制的圖像檢索
3.4 基于循環(huán)神經網絡的圖像檢索
3.5 基于強化學習的圖像檢索
3.6 本章小結
參考文獻
第二篇 圖像檢索應用
第4章 基于深度神經網絡的快速車輛圖像檢測
4.1 引言
4.2 問題描述
4.3 基于連接一合并卷積神經網絡的快速車輛檢測方法
4.3.1 連接一合并殘差網絡提取車輛特征
4.3.2 多尺度預測網絡推斷車輛信息
4.3.3 利用錨點機制預測車輛邊界框
4.3.4 網絡訓練
4.4 實驗結果與分析
4.4.1 數(shù)據(jù)集
4.4.2 評價指標與實驗設置
4.4.3 在UA-DETRAC數(shù)據(jù)集上的實驗
4.4.4 在KITTI數(shù)據(jù)集上的實驗
4.5 本章小結
參考文獻
第5章 基于遷移學習場景自適應的車輛圖像檢索
5.1 引言
5.2 問題描述
5.3 車輛遷移生成對抗網絡
5.3.1 生成器網絡
5.3.2 判別器網絡
5.3.3 孿生網絡
5.3.4 網絡訓練
5.4 基于圖像風格遷移的車輛圖像檢索
5.4.1 特征學習
5.4.2 損失函數(shù)
5.4.3 基于風格遷移的車輛圖像檢索
5.5 實驗結果與分析
5.5.1 數(shù)據(jù)集
5.5.2 評價指標與實驗設置
5.5.3 車輛圖像風格遷移評估
5.5.4 車輛圖像檢索性能評估
5.5.5 車輛圖像檢索方法對比
5.6 本章小結
參考文獻
第6章 基于多視角圖像生成的車輛圖像檢索
6.1 引言
6.2 問題描述
6.3 車輛圖像多視角生成對抗網絡
6.3.1 車輛視角估計
6.3.2 條件生成器網絡
6.3.3 判別器網絡
6.4 基于多視角的車輛圖像檢索
6.4.1 特征提取
6.4.2 距離度量
6.4.3 推理過程
6.4.4 圖像風格遷移與多視角圖像生成結合的車輛圖像檢索
6.5 實驗結果與分析
6.5.1 數(shù)據(jù)集
6.5.2 評價指標與實驗設置
6.5.3 多視角生成對抗網絡性能評估
6.5.4 車輛圖像檢索方法對比
6.5.5 車輛圖像檢索消融實驗
6.6 本章小結
參考文獻
第7章 基于車牌圖像超分辨率重建的車輛圖像檢索
7.1 引言
7.2 問題描述
7.3 車牌檢測與偏斜校正
7.3.1 網絡結構
7.3.2 仿射□換
7.4 車牌圖像超分辨率生成對抗網絡
7.4.1 生成器網絡
7.4.2 相對均值判別器網絡
7.4.3 損失函數(shù)
7.4.4 網絡插值
7.5 基于車牌驗證的車輛圖像檢索
7.5.1 孿生神經網絡驗證車牌
7.5.2 基于車牌驗證的精確車輛圖像檢索
7.6 實驗結果與分析
7.6.1 數(shù)據(jù)集
7.6.2 評價指標與實驗設置
7.6.3 車牌檢測方法評估
7.6.4 車牌圖像超分辨率重建方法評估
7.6.5 車輛圖像檢索方法對比
7.6.6 車輛圖像檢索消融實驗
7.7 本章小結
參考文獻
第8章 多模型融合的漸進式車輛圖像檢索
8.1 引言
8.2 多模型融合的車輛圖像檢索框架
8.2.1 基于屬性和身份學習的車輛圖像檢索方法
8.2.2 多模型融合的車輛圖像檢索框架
8.3 綜合實驗設計
8.3.1 車輛圖像檢索融合算法
8.3.2 綜合實驗設計
8.3.3 實驗運行環(huán)境
8.4 綜合實驗與分析
8.4.1 車輛圖像檢測
8.4.2 車輛圖像檢索
8.5 本章小結
參考文獻
附錄A 本書實驗用到的數(shù)據(jù)集
附錄B 本書實驗使用的源代碼