機器人智能視覺感知與深度學習應用

序
前言
第1章緒論
1.1 機器人視覺感知系統
1.2 機器人視覺感知發展趨勢
1.3 機器人視覺感知研究挑戰
1.4 噴碼識別系統應用實踐
1.4.1 噴碼檢測方法概述
1.4.2 噴碼識別系統需求分析
1.4.3 噴碼識別系統硬件選型
1.4.4 基於輕量級Ghost-YOLO模型的噴碼識別
1.5 本章小結
第2章機器人智能視覺感知系統概述
2.1 機器人智能視覺感知系統組成
2.2 機器人智能視覺感知的主要流程
2.3 機器人智能視覺感知的典型應用
2.3.1 面向農業機器人的視覺感知概述
2.3.2 基於多模型融合的應用實踐
2.4 本章小結
第3章深度學習技術概述
3.1 全連接神經網絡
3.1.1 反向傳播原理
3.1.2 全連接神經網絡的缺點
3.2 卷積神經網絡及其應用
3.2.1 神經網絡的基本運算
3.2.2 神經網絡的常用函數
3.2.3 模型融合
3.2.4 循環神經網絡
3.2.5 集成學習理論基礎
3.3 基於深度學習的視覺目標檢測
3.3.1 兩階段算法
3.3.2 一階段算法
3.4 基於深度學習的視覺目標跟踪
3.4.1 單目標跟踪
3.4.2 多目標跟踪
3.5 本章小結
第4章自然場景下文本檢測與識別
4.1 概述
4.2 基於圖像分割的場景文本檢測
4.2.1 特徵提取網絡
4.2.2 文本區域掩碼標籤的生成
4.2.3 場景文本區域的檢測
4.2.4 文本區域的後處理算法
4.2.5 文本檢測應用實踐
4.3 基於序列的場景文本識別
4.3.1 場景文本特徵序列的提取
4.3.2 特徵序列上下文信息提取
4.3.3 轉錄層文本識別
4.3.4 文本識別網絡
4.3.5 模型訓練
4.3.6 文本識別應用實踐
4.4 基於輕量級模型的噴碼文本識別系統
4.4.1 字符區域提取
4.4.2 字符文本處理
4.4.3 字符文本識別
4.4.4 字符文本識別應用實踐
4.4.5 基於嵌入式系統的算法設計與實現
4.4.6 系統運行測試
4.5 本章小結
第5章視覺目標檢測
5.1 目標檢測系統概述
5.2 目標檢測的相關概念
5.3 目標檢測模型分類
5.4 數據獲取與處理
5.4.1 數據預處理
5.4.2 數據標註
5.5 基於R-FCN的目標檢測
5.5.1 R-FCN基本原理介紹
5.5.2 R-FCN算法的改進
5.5.3 目標檢測應用實踐
5.6 基於MaskR-CNN的目標檢測
5.6.1 MaskR-CNN算法基本原理
5.6.2 改進MaskR-CNN模型
5.6.3 MaskR-CNN應用實踐
5.6.4 籃球以及球員檢測系統軟件設計
5.7 本章小結
第6章多目標跟踪
6.1 目標跟踪概述
6.1.1 單目標跟踪
6.1.2 多目標跟踪
6.1.3 多相機多目標跟踪
6.2 多目標跟踪系統構成
6.3 基於序列特徵的多目標跟踪方法
6.4 基於上下文圖模型的單相機多目標跟踪
6.4.1 圖卷積神經網絡的基礎知識
6.4.2 基於上下文圖模型的單相機多球員跟踪
6.4.3 多目標跟踪應用實踐
6.5 本章小結
第7章圖像語義分割
7.1 圖像語義分割概述
7.1.1 圖像分割算法的定義
7.1.2 傳統的圖像分割算法
7.1.3 基於卷積神經網絡的圖像語義分割算法
7.2 基於自適應特徵選擇網絡的遙感影像語義分割
7.2.1 基於自適應特徵選擇網絡的遙感影像語義分割算法
7.2.2 基於自適應特徵選擇網絡的遙感影像分割應用實踐
7.3 基於SU-SWA的區域分割
7.3.1 基於SU-SWA的區域分割任務分析
7.3.2 基於SU-SWA的區域分割方法
7.3.3 基於SU-SWA的區域分割應用實踐
7.4 本章小結
參考文獻