- 科学出版社
- 9787030858863
- 1版
- 2026-06
作者简介
内容简介
本书以深度学习在图像处理中的应用为线索，对基础理论及前沿技术进行系统梳理。本书涵盖卷积神经网络及其变体、编码器-解码器与注意力机制在去模糊、目标识别、超分辨率、图像修复、分割、姿态估计等任务中的网络设计、训练策略与评估方法，结合Transformer混合架构和最新损失函数的实践要点，帮助读者建立完整的技术框架并落地实施。
目录
目录
第1章 深度学习基础理论与技术 1
1.1 卷积神经网络基础 1
1.1.1 卷积神经网络结构 1
1.1.2 深度卷积神经网络模型 5
1.2 基于深度学习的图像去模糊技术 8
1.2.1 编码器-解码器框架 8
1.2.2 注意力机制 10
1.3 基于深度学习的目标识别技术 12
1.3.1 两阶段目标识别算法 12
1.3.2 一阶段目标识别算法 13
1.4 基于深度学习的超分辨率算法 15
1.4.1 基于CNN的超分重建网络 15
1.4.2 基于GAN的超分重建网络 16
1.5 基于深度学习的图像修复网络 17
1.5.1 双向特征金字塔网络 17
1.5.2 Transformer网络 19
1.6 深度学习分割网络 20
1.6.1 语义分割：像素级的类别划分 20
1.6.2 实例分割：区分个体的像素级识别 21
1.7 基于深度学习的人体姿态估计网络 23
1.7.1 自顶而下的方法 23
1.7.2 自底而上的方法 24
1.8 本章小结 25
第2章 基于CNN和Transformer混合架构的高效图像去模糊网络 26
2.1 ESIDformer网络体系结构 26
2.1.1 ViTTransformer基本概念 26
2.1.2 网络体系结构 29
2.2 一种混合架构的高效图像去模糊网络 30
2.2.1 浅层特征嵌入块 30
2.2.2 基于条带的Transformer块 31
2.2.3 双门控前馈网络 33
2.2.4 损失函数 34
2.3 实验结果与分析 35
2.3.1 实验环境 35
2.3.2 实验数据集及评价指标 35
2.3.3 实验结果分析 36
2.3.4 消融实验 39
2.4 本章小结 40
第3章 基于YOLOv7的安全带挂钩悬挂状态识别算法 41
3.1 YOLO算法 41
3.2 YOLOv7目标检测算法 43
3.3 改进的YOLOv7安全带挂钩悬挂状态检测算法 44
3.3.1 M-SPPCSPC模块 44
3.3.2 解耦头 45
3.3.3 WIoU损失函数 46
3.4 实验结果与分析 47
3.4.1 实验环境 47
3.4.2 模型训练参数 48
3.4.3 实验结果分析 48
3.5 本章小结 51
第4章 基于位置注意力和自适应加权损失的人脸超分辨率重建网络 52
4.1 网络整体结构 52
4.1.1 人脸超分辨率的先验信息 53
4.1.2 自适应翼损失与加权损失图 54
4.1.3 坐标注意力 57
4.2 实验设置与结果分析 59
4.2.1 实验数据集 59
4.2.2 评价指标 60
4.2.3 实验环境 63
4.2.4 模型训练参数 63
4.2.5 实验结果分析 64
4.2.6 消融实验 66
4.3 本章小结 67
第5章 基于Transformer的破损图像两阶段修复网络 69
5.1 总体网络框架设计 69
5.2 基于Transformer的两阶段图像修复网络 70
5.2.1 两阶段生成器网络 70
5.2.2 WAT模块的结构设计 72
5.2.3 R-MSA模块的构建 72
5.3 实验与分析 74
5.3.1 实验内容 74
5.3.2 实验结果分析 74
5.3.3 消融实验 77
5.4 本章小结 78
第6章 融合多尺度注意力的新冠感染CT图像UNet分割网络 79
6.1 融合多尺度注意力的UNet分割网络结构 79
6.1.1 网络的整体结构设计 79
6.1.2 结合改进CA模块的多尺度注意力 80
6.1.3 基于通道维度局部信息的CA模块 82
6.1.4 Meta-ACON自适应激活函数的构建 83
6.2 实验设计 84
6.2.1 实验步骤 84
6.2.2 数据集介绍 85
6.2.3 评价指标 85
6.3 病灶分割实验 86
6.3.1 数据集预处理 86
6.3.2 实验参数配置 87
6.3.3 损失函数选择 88
6.3.4 改进CA模块测试 88
6.3.5 改进MSCA模块测试 89
6.3.6 消融实验 89
6.3.7 网络对比 89
6.4 肺实质分割实验 90
6.5 本章小结 92
第7章 复杂电力场景下的电力作业人员姿态估计算法 93
7.1 YOLO-Pose姿态估计算法原理 93
7.2 PW-YOLO-Pose算法 95
7.2.1 SwinTransformer编码器 95
7.2.2 BiFPN与小目标检测层 98
7.2.3 C3_CA模块 99
7.2.4 引入WIoU损失函数 101
7.3 实验结果及其结果分析 103
7.3.1 实验环境与参数设置 103
7.3.2 实验结果分析 104
7.4 本章小结 110
第8章 总结与展望 111
8.1 总结 111
8.2 展望 113
参考文献 115
第1章 深度学习基础理论与技术 1
1.1 卷积神经网络基础 1
1.1.1 卷积神经网络结构 1
1.1.2 深度卷积神经网络模型 5
1.2 基于深度学习的图像去模糊技术 8
1.2.1 编码器-解码器框架 8
1.2.2 注意力机制 10
1.3 基于深度学习的目标识别技术 12
1.3.1 两阶段目标识别算法 12
1.3.2 一阶段目标识别算法 13
1.4 基于深度学习的超分辨率算法 15
1.4.1 基于CNN的超分重建网络 15
1.4.2 基于GAN的超分重建网络 16
1.5 基于深度学习的图像修复网络 17
1.5.1 双向特征金字塔网络 17
1.5.2 Transformer网络 19
1.6 深度学习分割网络 20
1.6.1 语义分割：像素级的类别划分 20
1.6.2 实例分割：区分个体的像素级识别 21
1.7 基于深度学习的人体姿态估计网络 23
1.7.1 自顶而下的方法 23
1.7.2 自底而上的方法 24
1.8 本章小结 25
第2章 基于CNN和Transformer混合架构的高效图像去模糊网络 26
2.1 ESIDformer网络体系结构 26
2.1.1 ViTTransformer基本概念 26
2.1.2 网络体系结构 29
2.2 一种混合架构的高效图像去模糊网络 30
2.2.1 浅层特征嵌入块 30
2.2.2 基于条带的Transformer块 31
2.2.3 双门控前馈网络 33
2.2.4 损失函数 34
2.3 实验结果与分析 35
2.3.1 实验环境 35
2.3.2 实验数据集及评价指标 35
2.3.3 实验结果分析 36
2.3.4 消融实验 39
2.4 本章小结 40
第3章 基于YOLOv7的安全带挂钩悬挂状态识别算法 41
3.1 YOLO算法 41
3.2 YOLOv7目标检测算法 43
3.3 改进的YOLOv7安全带挂钩悬挂状态检测算法 44
3.3.1 M-SPPCSPC模块 44
3.3.2 解耦头 45
3.3.3 WIoU损失函数 46
3.4 实验结果与分析 47
3.4.1 实验环境 47
3.4.2 模型训练参数 48
3.4.3 实验结果分析 48
3.5 本章小结 51
第4章 基于位置注意力和自适应加权损失的人脸超分辨率重建网络 52
4.1 网络整体结构 52
4.1.1 人脸超分辨率的先验信息 53
4.1.2 自适应翼损失与加权损失图 54
4.1.3 坐标注意力 57
4.2 实验设置与结果分析 59
4.2.1 实验数据集 59
4.2.2 评价指标 60
4.2.3 实验环境 63
4.2.4 模型训练参数 63
4.2.5 实验结果分析 64
4.2.6 消融实验 66
4.3 本章小结 67
第5章 基于Transformer的破损图像两阶段修复网络 69
5.1 总体网络框架设计 69
5.2 基于Transformer的两阶段图像修复网络 70
5.2.1 两阶段生成器网络 70
5.2.2 WAT模块的结构设计 72
5.2.3 R-MSA模块的构建 72
5.3 实验与分析 74
5.3.1 实验内容 74
5.3.2 实验结果分析 74
5.3.3 消融实验 77
5.4 本章小结 78
第6章 融合多尺度注意力的新冠感染CT图像UNet分割网络 79
6.1 融合多尺度注意力的UNet分割网络结构 79
6.1.1 网络的整体结构设计 79
6.1.2 结合改进CA模块的多尺度注意力 80
6.1.3 基于通道维度局部信息的CA模块 82
6.1.4 Meta-ACON自适应激活函数的构建 83
6.2 实验设计 84
6.2.1 实验步骤 84
6.2.2 数据集介绍 85
6.2.3 评价指标 85
6.3 病灶分割实验 86
6.3.1 数据集预处理 86
6.3.2 实验参数配置 87
6.3.3 损失函数选择 88
6.3.4 改进CA模块测试 88
6.3.5 改进MSCA模块测试 89
6.3.6 消融实验 89
6.3.7 网络对比 89
6.4 肺实质分割实验 90
6.5 本章小结 92
第7章 复杂电力场景下的电力作业人员姿态估计算法 93
7.1 YOLO-Pose姿态估计算法原理 93
7.2 PW-YOLO-Pose算法 95
7.2.1 SwinTransformer编码器 95
7.2.2 BiFPN与小目标检测层 98
7.2.3 C3_CA模块 99
7.2.4 引入WIoU损失函数 101
7.3 实验结果及其结果分析 103
7.3.1 实验环境与参数设置 103
7.3.2 实验结果分析 104
7.4 本章小结 110
第8章 总结与展望 111
8.1 总结 111
8.2 展望 113
参考文献 115
