最新章節(jié)

• 文后插圖
• 參考文獻
• 10.4 本章小結
• 10.3.4 檢測速度和檢測精度的對比
• 10.3.3 計算量與模型參數對比
• 10.3.2 數據集與實驗平臺

• 文后插圖 更新時間：2024-10-18 15:06:51
• 參考文獻
• 10.4 本章小結
• 10.3.4 檢測速度和檢測精度的對比
• 10.3.3 計算量與模型參數對比
• 10.3.2 數據集與實驗平臺
• 10.3.1 數據集與實驗平臺
• 10.3 實驗與分析
• 10.2.2 對YOLOv4的改進
• 10.2.1 YOLOv4簡介
• 10.2 本章算法
• 10.1 引言
• 第10章 基于改進YOLOv4的嵌入式變電站儀表檢測算法
• 參考文獻
• 9.5 本章小結
• 9.4.2 實驗分析
• 9.4.1 模型訓練策略
• 9.4 模型訓練和實驗分析
• 9.3.2 交叉檢測框架的選擇
• 9.3.1 交叉檢測框架的思路
• 9.3 交叉檢測框架
• 9.2.2 記憶引導網絡
• 9.2.1 長短時記憶網絡
• 9.2 長短時記憶網絡和記憶引導網絡
• 9.1 引言
• 第9章 基于LSTM網絡的視頻圖像目標實時檢測算法
• 參考文獻
• 8.4 本章小結
• 8.3.3 實驗過程與結果分析
• 8.3.2 實驗參數與評價指標
• 8.3.1 實驗環(huán)境與數據集
• 8.3 實驗與分析
• 8.2.4 損失函數
• 8.2.3 弱化的非極大值抑制算法
• 8.2.2 多維注意力模塊
• 8.2.1 本章算法的主體框架
• 8.2 本章算法
• 8.1 引言
• 第8章 基于RetinaNet的密集目標檢測算法
• 參考文獻
• 7.4 本章小結
• 7.3.2 實驗結果
• 7.3.1 實驗配置及數據集
• 7.3 實驗與分析
• 7.2.3 PredMix
• 7.2.2 DetPANet
• 7.2.1 CBAM-CSPDarknet53
• 7.2 結合數據增強和改進YOLOv4的水下目標檢測算法
• 7.1 引言
• 第7章 基于YOLOv4的目標檢測算法
• 參考文獻
• 6.5 本章小結
• 6.4.3 實驗結果
• 6.4.2 評價指標
• 6.4.1 實驗配置及數據集
• 6.4 實驗與分析
• 6.3.3 K-means++算法
• 6.3.2 有效交并比
• 6.3.1 ResNet-BiFPN簡介
• 6.3 本章算法
• 6.2 相關工作
• 6.1 引言
• 第6章 基于改進Faster-RCNN的海洋生物檢測算法
• 參考文獻
• 5.5 本章小結
• 5.4.4 評價指標
• 5.4.3 實驗結果
• 5.4.2 訓練策略
• 5.4.1 數據集
• 5.4 實驗與分析
• 5.3.3 損失函數
• 5.3.2 對抗遷移學習
• 5.3.1 網絡模型
• 5.3 本章算法
• 5.2.3 遷移學習
• 5.2.2 水下大壩裂縫圖像分割
• 5.2.1 裂縫圖像分割
• 5.2 相關工作
• 5.1 引言
• 第5章 基于對抗遷移學習的水下大壩裂縫圖像分割算法
• 參考文獻
• 4.6 本章小結
• 4.5.3 實驗及結果
• 4.5.2 Att_Nested_UNet的工作原理
• 4.5.1 相關研究
• 4.5 裂縫圖像分割模型Att_Nested_UNet
• 4.4 UNet模型
• 4.3 全卷積網絡
• 4.2 卷積神經網絡的相關技術
• 4.1 引言
• 第4章 基于嵌套UNet的圖像分割算法
• 參考文獻
• 3.5 本章小結
• 3.4.2 實驗結果
• 3.4.1 實驗數據及訓練
• 3.4 實驗與分析
• 3.3.3 損失函數的選擇
• 3.3.2 相對判別器的結構
• 3.3.1 生成器的結構
• 3.3 基于ESRGAN的水下圖像超分辨率重建算法
• 3.2 ESRGAN
• 3.1 引言
• 第3章 基于ESRGAN的圖像超分辨率重建算法
• 參考文獻
• 2.5 本章小結
• 2.4.3 消融實驗
• 2.4.2 實驗結果
• 2.4.1 實驗數據及訓練
• 2.4 實驗與分析
• 2.3.4 損失函數的選擇
• 2.3.3 判別器的結構
• 2.3.2 生成器的結構
• 2.3.1 顏色校正
• 2.3 基于特征融合GAN的圖像增強算法
• 2.2.2 GAN的數學模型
• 2.2.1 GAN的基本概念
• 2.2 GAN概述
• 2.1 引言
• 第2章 基于特征融合GAN的圖像增強算法
• 參考文獻
• 1.4 本章小結
• 1.3.6 運行時間對比
• 1.3.5 實驗結果
• 1.3.4 參數設置
• 1.3.3 評價指標
• 1.3.2 實驗數據集
• 1.3.1 實驗環(huán)境
• 1.3 實驗與分析
• 1.2.3 損失函數
• 1.2.2 網絡結構
• 1.2.1 特征提取層
• 1.2 本章算法
• 1.1 引言
• 第1章 基于UNet的圖像去霧算法
• 參考文獻
• 0.3 本書的主要內容及章節(jié)安排如下
• 0.2.3 裂縫圖像分割算法研究
• 0.2.2 基于深度學習的目標檢測算法研究
• 0.2.1 水下圖像質量提升方法
• 0.2 國內外研究現狀
• 0.1 研究背景及意義
• 第0章 緒論
• 前言
• 作者簡介
• 內容簡介
• 版權信息
• 封面

• 封面
• 版權信息
• 內容簡介
• 作者簡介
• 前言
• 第0章 緒論
• 0.1 研究背景及意義
• 0.2 國內外研究現狀
• 0.2.1 水下圖像質量提升方法
• 0.2.2 基于深度學習的目標檢測算法研究
• 0.2.3 裂縫圖像分割算法研究
• 0.3 本書的主要內容及章節(jié)安排如下
• 參考文獻
• 第1章 基于UNet的圖像去霧算法
• 1.1 引言
• 1.2 本章算法
• 1.2.1 特征提取層
• 1.2.2 網絡結構
• 1.2.3 損失函數
• 1.3 實驗與分析
• 1.3.1 實驗環(huán)境
• 1.3.2 實驗數據集
• 1.3.3 評價指標
• 1.3.4 參數設置
• 1.3.5 實驗結果
• 1.3.6 運行時間對比
• 1.4 本章小結
• 參考文獻
• 第2章 基于特征融合GAN的圖像增強算法
• 2.1 引言
• 2.2 GAN概述
• 2.2.1 GAN的基本概念
• 2.2.2 GAN的數學模型
• 2.3 基于特征融合GAN的圖像增強算法
• 2.3.1 顏色校正
• 2.3.2 生成器的結構
• 2.3.3 判別器的結構
• 2.3.4 損失函數的選擇
• 2.4 實驗與分析
• 2.4.1 實驗數據及訓練
• 2.4.2 實驗結果
• 2.4.3 消融實驗
• 2.5 本章小結
• 參考文獻
• 第3章 基于ESRGAN的圖像超分辨率重建算法
• 3.1 引言
• 3.2 ESRGAN
• 3.3 基于ESRGAN的水下圖像超分辨率重建算法
• 3.3.1 生成器的結構
• 3.3.2 相對判別器的結構
• 3.3.3 損失函數的選擇
• 3.4 實驗與分析
• 3.4.1 實驗數據及訓練
• 3.4.2 實驗結果
• 3.5 本章小結
• 參考文獻
• 第4章 基于嵌套UNet的圖像分割算法
• 4.1 引言
• 4.2 卷積神經網絡的相關技術
• 4.3 全卷積網絡
• 4.4 UNet模型
• 4.5 裂縫圖像分割模型Att_Nested_UNet
• 4.5.1 相關研究
• 4.5.2 Att_Nested_UNet的工作原理
• 4.5.3 實驗及結果
• 4.6 本章小結
• 參考文獻
• 第5章 基于對抗遷移學習的水下大壩裂縫圖像分割算法
• 5.1 引言
• 5.2 相關工作
• 5.2.1 裂縫圖像分割
• 5.2.2 水下大壩裂縫圖像分割
• 5.2.3 遷移學習
• 5.3 本章算法
• 5.3.1 網絡模型
• 5.3.2 對抗遷移學習
• 5.3.3 損失函數
• 5.4 實驗與分析
• 5.4.1 數據集
• 5.4.2 訓練策略
• 5.4.3 實驗結果
• 5.4.4 評價指標
• 5.5 本章小結
• 參考文獻
• 第6章 基于改進Faster-RCNN的海洋生物檢測算法
• 6.1 引言
• 6.2 相關工作
• 6.3 本章算法
• 6.3.1 ResNet-BiFPN簡介
• 6.3.2 有效交并比
• 6.3.3 K-means++算法
• 6.4 實驗與分析
• 6.4.1 實驗配置及數據集
• 6.4.2 評價指標
• 6.4.3 實驗結果
• 6.5 本章小結
• 參考文獻
• 第7章 基于YOLOv4的目標檢測算法
• 7.1 引言
• 7.2 結合數據增強和改進YOLOv4的水下目標檢測算法
• 7.2.1 CBAM-CSPDarknet53
• 7.2.2 DetPANet
• 7.2.3 PredMix
• 7.3 實驗與分析
• 7.3.1 實驗配置及數據集
• 7.3.2 實驗結果
• 7.4 本章小結
• 參考文獻
• 第8章 基于RetinaNet的密集目標檢測算法
• 8.1 引言
• 8.2 本章算法
• 8.2.1 本章算法的主體框架
• 8.2.2 多維注意力模塊
• 8.2.3 弱化的非極大值抑制算法
• 8.2.4 損失函數
• 8.3 實驗與分析
• 8.3.1 實驗環(huán)境與數據集
• 8.3.2 實驗參數與評價指標
• 8.3.3 實驗過程與結果分析
• 8.4 本章小結
• 參考文獻
• 第9章 基于LSTM網絡的視頻圖像目標實時檢測算法
• 9.1 引言
• 9.2 長短時記憶網絡和記憶引導網絡
• 9.2.1 長短時記憶網絡
• 9.2.2 記憶引導網絡
• 9.3 交叉檢測框架
• 9.3.1 交叉檢測框架的思路
• 9.3.2 交叉檢測框架的選擇
• 9.4 模型訓練和實驗分析
• 9.4.1 模型訓練策略
• 9.4.2 實驗分析
• 9.5 本章小結
• 參考文獻
• 第10章 基于改進YOLOv4的嵌入式變電站儀表檢測算法
• 10.1 引言
• 10.2 本章算法
• 10.2.1 YOLOv4簡介
• 10.2.2 對YOLOv4的改進
• 10.3 實驗與分析
• 10.3.1 數據集與實驗平臺
• 10.3.2 數據集與實驗平臺
• 10.3.3 計算量與模型參數對比
• 10.3.4 檢測速度和檢測精度的對比
• 10.4 本章小結
• 參考文獻
• 文后插圖 更新時間：2024-10-18 15:06:51