●基礎篇
第1章深度學習概述2
1.1深度學習發展簡史2
1.2有監督學習4
1.2.1圖像分類4
1.2.2目標檢測6
1.2.3人臉識別10
1.2.4語音識別13
1.3無監督學習18
1.3.1無監督學習概述18
1.3.2生成對抗網絡18
1.4強化學習21
1.4.1AlphaGo21
1.4.2AlphaGoZero23
1.5小結25
參考資料25
第2章深度神經網絡27
2.27
2.2感知機30
2.3前向傳遞31
2.3.1前向傳遞的流程32
2.3.2激活函數33
2.3.3損失函數37
2.4後向傳遞40
2.4.1後向傳遞的流程40
2.4.2梯度下降40
2.4.3參數修正42
2.5防止過擬合44
2.5.1dropout44
2.5.2正則化45
2.6小結46
第3章卷積神經網絡47
3.1卷積層48
3.1.1valid卷積48
3.1.2full卷積50
3.1.3same卷積51
3.2池化層52
3.3反卷積53
3.4感受野54
3.5卷積神經網絡實例56
3.5.1LeNet-556
3.5.2AlexNet58
3.5.3VGGNet62
3.5.4GoogLeNet64
3.5.5ResNet75
3.5.6MobileNet76
3.6小結78
進階篇
第4章兩階段目標檢測方法80
4.1R-CNN80
4.1.1算法流程80
4.1.2訓練過程81
4.2SPP-Net85
4.2.1網絡結構85
4.2.2空間金字塔池化86
4.3FastR-CNN87
4.3.1感興趣區域池化層87
4.3.2網絡結構89
4.3.3全連接層計算加速90
4.3.4目標分類91
4.3.5邊界框回歸92
4.3.6訓練過程93
4.4FasterR-CNN97
4.4.1網絡結構98
4.4.2RPN99
4.4.3訓練過程105
4.5R-FCN107
4.5.1R-FCN網絡結構108
4.5.2位置敏感的分數圖109
4.5.3位置敏感的RoI池化110
4.5.4R-FCN損失函數111
4.5.5Caffe網絡模型解析111
4.5.6U-Net115
4.5.7SegNet116
4.6MaskR-CNN117
4.6.1實例分割簡介118
4.6.2COCO數據集的像素級標注119
4.6.3網絡結構120
4.7小結123
參考資料123
第5章單階段目標檢測方法125
5.1SSD125
5.1.1defaultbox125
5.1.2網絡結構126
5.1.3Caffe網絡模型解析127
5.1.4訓練過程135
5.2RetinaNet137
5.2.1FPN137
5.2.2聚焦損失函數139
5.3RefineDet140
5.3.1網絡模型141
5.3.2Caffe網絡模型解析143
5.3.3訓練過程152
5.4YOLO153
5.4.1YOLOv1153
5.4.2YOLOv2155
5.4.3YOLOv3157
5.5目標檢測算法應用場景159
5.5.1高速公路坑洞檢測160
5.5.2息肉檢測161
5.6小結162
參考資料162
應用篇
第6章肋骨骨折檢測166
6.1國內外研究現狀166
6.2解決方案168
6.3預處理168
6.4肋骨骨折檢測169
6.5實驗結果分析170
6.6小結172
參考資料173
第7章肺結節檢測174
7.1國內外研究現狀174
7.2總體框架176
7.2.1肺結節數據集176
7.2.2肺結節檢測難點177
7.2.3算法框架177
7.3肺結節可疑位置推薦算法178
7.3.1CT圖像的預處理179
7.3.2肺結節分割算法180
7.3.3優化方法182
7.3.4推斷方法184
7.4可疑肺結節定位算法185
7.5實驗結果與分析（1）186
7.5.1實驗結果186
7.5.2改進點效果分析186
7.6假陽性肺結節抑制算法188
7.6.1假陽性肺結節抑制網絡188
7.6.2優化策略192
7.6.3推斷策略194
7.7實驗結果與分析（2）194
7.7.1實驗結果195
7.7.2改進點效果分析195
7.7.3可疑位置推薦與假陽性抑制算法的整合197
7.8小結197
參考資料197
第8章車道線檢測200
8.1國內外研究現狀200
8.2主要研究內容202
8.2.1總體解決方案202
8.2.2各階段概述203
8.3車道線檢測繫統的設計與實現206
8.3.1車道線圖像數據標注與篩選206
8.3.2車道線圖片預處理208
8.3.3車道線分割模型訓練212
8.3.4車道線檢測221
8.3.5車道線檢測結果225
8.4車道線檢測繫統性能測試225
8.4.1車道線檢測質量測試225
8.4.2車道線檢測時間測試227
8.5小結227
參考資料228
第9章交通視頻分析229
9.1國內外研究現狀230
9.2主要研究內容231
9.2.1總體設計232
9.2.2精度和性能要求232
9.3交通視頻分析233
9.3.1車輛檢測和車牌檢測233
9.3.2車牌識別功能設計詳解235
9.3.3車輛品牌及顏色的識別243
9.3.4目標跟蹤設計詳解244
9.4繫統測試247
9.4.1車輛檢測248
9.4.2車牌檢測251
9.4.3車牌識別253
9.4.4車輛品牌識別256
9.4.5目標跟蹤258
9.5小結259
參考資料260

本書的寫作初衷是，從學者的角度，用一種通俗易懂的方式，把與基於深度學習的目標檢測的相關論文中的理論和方法呈現給讀者，同時針對作者在深度學習教學過程中遇到的難點，進行深入的分析和講解。本書側重對卷積神經網絡的介紹，而深度學習的內容不止於此。所以，作者將深度學習分為有監督學習、無監督學習和強化學習三類，將圖像分類、目標檢測、語音識別、人臉識別、對抗生成網絡和AlphaGo圍棋等應用場景歸入不同的類別，並分別對其原理進行了概括性的講解。本書適合有一定深度學習或目標檢測學習基礎的學生、研究者、從業者閱讀。