第1章　深度学习概述 2__eol__1.1　深度学习发展简史 2__eol__1.2　有监督学习 4__eol__1.2.1　图像分类 4__eol__1.2.2　目标检测 6__eol__1.2.3　人脸识别 10__eol__1.2.4　语音识别 13__eol__1.3　无监督学习 17__eol__1.3.1　无监督学习概述 18__eol__1.3.2　双向生成对抗网络 18__eol__1.4　强化学习 21__eol__1.4.1　AlphaGo 22__eol__1.4.2　AlphaGo Zero 24__eol__1.5　小结 25__eol__参考资料 25__eol__第2章　深度神经网络 28__eol__2.1　神经元 28__eol__2.2　感知机 31__eol__2.3　前向传递 32__eol__2.3.1　前向传递的流程 33__eol__2.3.2　激活函数 34__eol__2.3.3　损失函数 38__eol__2.4　后向传递 41__eol__2.4.1　后向传递的流程 41__eol__2.4.2　梯度下降 41__eol__2.4.3　参数修正 43__eol__2.5　防止过拟合 45__eol__2.5.1　dropout 46__eol__2.5.2　正则化 46__eol__2.6　小结 47__eol__第3章　卷积神经网络 48__eol__3.1　卷积层 49__eol__3.1.1　valid卷积 49__eol__3.1.2　full卷积 51__eol__3.1.3　same卷积 52__eol__3.2　池化层 53__eol__3.3　反卷积 54__eol__3.4　感受野 56__eol__3.5　卷积神经网络实例 57__eol__3.5.1　LeNet-5 58__eol__3.5.2　AlexNet 60__eol__3.5.3　VGGNet 63__eol__3.5.4　GoogLeNet 66__eol__3.5.5　ResNet 76__eol__3.5.6　MobileNet 77__eol__3.6　小结 79__eol__进 阶 篇__eol__第4章　两阶段目标检测方法 82__eol__4.1　R-CNN 82__eol__4.1.1　算法流程 82__eol__4.1.2　训练过程 83__eol__4.2　SPP-Net 87__eol__4.2.1　网络结构 87__eol__4.2.2　空间金字塔池化 88__eol__4.3　Fast R-CNN 89__eol__4.3.1　感兴趣区域池化层 90__eol__4.3.2　网络结构 91__eol__4.3.3　全连接层计算加速 92__eol__4.3.4　目标分类 93__eol__4.3.5　边界框回归 94__eol__4.3.6　训练过程 95__eol__4.4　Faster R-CNN 99__eol__4.4.1　网络结构 100__eol__4.4.2　RPN 101__eol__4.4.3　训练过程 107__eol__4.5　R-FCN 109__eol__4.5.1　R-FCN网络结构 110__eol__4.5.2　位置敏感的分数图 111__eol__4.5.3　位置敏感的RoI池化 111__eol__4.5.4　R-FCN损失函数 113__eol__4.5.5　Caffe网络模型解析 113__eol__4.5.6　U-Net 117__eol__4.5.7　SegNet 118__eol__4.6　Mask R-CNN 119__eol__4.6.1　实例分割简介 119__eol__4.6.2　COCO数据集的像素级标注 121__eol__4.6.3　网络结构 121__eol__4.7　小结 125__eol__参考资料 125__eol__第5章　单阶段目标检测方法 126__eol__5.1　SSD 126__eol__5.1.1　default box 126__eol__5.1.2　网络结构 127__eol__5.1.3　Caffe网络模型解析 128__eol__5.1.4　训练过程 137__eol__5.2　RetinaNet 138__eol__5.2.1　FPN 139__eol__5.2.2　聚焦损失函数 140__eol__5.3　RefineDet 142__eol__5.3.1　网络模型 142__eol__5.3.2　Caffe网络模型解析 144__eol__5.3.3　训练过程 153__eol__5.4　YOLO 154__eol__5.4.1　YOLO v1 154__eol__5.4.2　YOLO v2 157__eol__5.4.3　YOLO v3 159__eol__5.5　目标检测算法应用场景举例 161__eol__5.5.1　高速公路坑洞检测 161__eol__5.5.2　息肉检测 162__eol__5.6　小结 163__eol__参考资料 164__eol__应 用 篇__eol__第6章　肋骨骨折检测 166__eol__6.1　国内外研究现状 166__eol__6.2　解决方案 168__eol__6.3　预处理 168__eol__6.4　肋骨骨折检测 169__eol__6.5　实验结果分析 170__eol__6.6　小结 172__eol__参考资料 172__eol__第7章　肺结节检测 174__eol__7.1　国内外研究现状 174__eol__7.2　总体框架 176__eol__7.2.1　肺结节数据集 176__eol__7.2.2　肺结节检测难点 177__eol__7.2.3　算法框架 177__eol__7.3　肺结节可疑位置推荐算法 178__eol__7.3.1　CT图像的预处理 179__eol__7.3.2　肺结节分割算法 180__eol__7.3.3　优化方法 182__eol__7.3.4　推断方法 184__eol__7.4　可疑肺结节定位算法 185__eol__7.5　实验结果与分析（1） 186__eol__7.5.1　实验结果 186__eol__7.5.2　改进点效果分析 186__eol__7.6　假阳性肺结节抑制算法 188__eol__7.6.1　假阳性肺结节抑制网络 188__eol__7.6.2　优化策略 192__eol__7.6.3　推断策略 194__eol__7.7　实验结果与分析（2） 194__eol__7.7.1　实验结果 194__eol__7.7.2　改进点效果分析 195__eol__7.7.3　可疑位置推荐算法与假阳性抑制算法的整合 196__eol__7.8　小结 197__eol__参考资料 197__eol__第8章　车道线检测 199__eol__8.1　国内外研究现状 199__eol__8.2　主要研究内容 201__eol__8.2.1　总体解决方案 201__eol__8.2.2　各阶段概述 202__eol__8.3　车道线检测系统的设计与实现 205__eol__8.3.1　车道线图像数据标注与筛选 206__eol__8.3.2　车道线图片预处理 207__eol__8.3.3　车道线分割模型训练 211__eol__8.3.4　车道线检测 220__eol__8.3.5　车道线检测结果 224__eol__8.4　车道线检测系统性能测试 224__eol__8.4.1　车道线检测质量测试 224__eol__8.4.2　车道线检测时间测试 226__eol__8.5　小结 226__eol__参考资料 227__eol__第9章　交通视频分析 228__eol__9.1　国内外研究现状 229__eol__9.2　主要研究内容 230__eol__9.2.1　总体设计 231__eol__9.2.2　精度和性能要求 231__eol__9.3　交通视频分析 232__eol__9.3.1　车辆检测和车牌检测 232__eol__9.3.2　车牌识别功能设计详解 234__eol__9.3.3　车辆品牌及颜色的识别 242__eol__9.3.4　目标跟踪设计详解 243__eol__9.4　系统测试 246__eol__9.4.1　车辆检测 247__eol__9.4.2　车牌检测 250__eol__9.4.3　车牌识别 252__eol__9.4.4　车辆品牌识别 255__eol__9.4.5　目标跟踪 257__eol__9.5　小结 258__eol__参考资料 258__eol__第10章　道路坑洞检测 260__eol__10.1　系统流程 260__eol__10.2　道路坑洞图像生成 262__eol__10.2.1　坑洞生成网络 262__eol__10.2.2　遮罩生成方法 263__eol__10.2.3　图像融合 264__eol__10.2.4　基于增广训练集的目标检测 265__eol__10.3　实验与分析 266__eol__10.3.1　影响因素 267__eol__10.3.2　数据增广方法对比 268__eol__10.3.3　边缘提取方法对比 270__eol__10.3.4　图像融合方法对比 271__eol__10.3.5　目标检测 273__eol__10.4　小结 274__eol__参考资料 274