目錄
　　前言
　　第1章 計算機視覺任務(wù)的基礎(chǔ)知識 1
　　1.1 遙感圖像基礎(chǔ)知識 1
　　1.1.1 遙感和遙感系統(tǒng) 1
　　1.1.2 遙感圖像成像機制 2
　　1.1.3 遙感圖像特征 2
　　1.2 遙感圖像融合基礎(chǔ)知識 4
　　1.2.1 遙感圖像融合背景 4
　　1.2.2 遙感圖像融合類型 5
　　1.2.3 遙感圖像融合實現(xiàn)原理 6
　　1.3 遙感圖像超分辨率任務(wù)基礎(chǔ)知識 12
　　1.3.1 遙感圖像超分辨率背景 12
　　1.3.2 遙感圖像超分辨率實現(xiàn)原理 13
　　1.4 目標(biāo)檢測基礎(chǔ)知識 16
　　1.4.1 目標(biāo)檢測任務(wù)基本原理 16
　　1.4.2 目標(biāo)檢測任務(wù)常用評價指標(biāo)及計算方法 18
　　1.5 目標(biāo)跟蹤基礎(chǔ)知識 20
　　1.6 數(shù)據(jù)集 22
　　1.6.1 圖像分類常用數(shù)據(jù)集 22
　　1.6.2 目標(biāo)檢測任務(wù)常用數(shù)據(jù)集 24
　　1.6.3 目標(biāo)跟蹤任務(wù)常用數(shù)據(jù)集和評價標(biāo)準(zhǔn) 25
　　1.6.4 遙感圖像數(shù)據(jù)集 29
　　1.6.5 圖像隱寫數(shù)據(jù)集 30
　　1.6.6 人臉圖像數(shù)據(jù)集 31
　　1.7 數(shù)字化資源 31
　　第2章 神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 32
　　2.1 神經(jīng)元工作的數(shù)學(xué)表示 32
　　2.1.1 神經(jīng)元工作的數(shù)學(xué)表示 32
　　2.1.2 神經(jīng)元的一般化 33
　　2.2 什么是神經(jīng)網(wǎng)絡(luò) 34
　　2.2.1 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 35
　　2.2.2 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 37
　　2.2.3 神經(jīng)網(wǎng)絡(luò)的參數(shù)和變量 38
　　2.2.4 神經(jīng)網(wǎng)絡(luò)的代價函數(shù)和參數(shù)訓(xùn)練 39
　　2.3 隨機梯度下降 40
　　2.4 神經(jīng)網(wǎng)絡(luò)正則化初步 45
　　2.4.1 模型選擇，欠擬合和過擬合 45
　　2.4.2 權(quán)重衰減 49
　　2.4.3 丟棄法 51
　　2.5 卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)55
　　2.5.1 卷積神經(jīng)網(wǎng)絡(luò)的基本思想 55
　　2.5.2 卷積神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)表示 56
　　2.5.3 卷積神經(jīng)網(wǎng)絡(luò)的誤差反向傳播 60
　　2.6 殘差網(wǎng)絡(luò) 64
　　2.7 基于卷積神經(jīng)網(wǎng)絡(luò)的視覺注意力機制 67
　　2.7.1 空間域注意力 67
　　2.7.2 通道域注意力 69
　　2.7.3 混合域注意力 72
　　2.8 數(shù)字化資源 74
　　第3章 經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 75
　　3.1 手寫數(shù)字識別任務(wù)75
　　3.2 圖像分類任務(wù) 77
　　3.2.1 圖像分類研究背景 77
　　3.2.2 經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu): AlexNet 78
　　3.2.3 經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu): ResNet 80
　　3.2.4 經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu): GoogLeNet 84
　　3.3 數(shù)字化資源 87
　　第4章 激活函數(shù)的研究 88
　　4.1 激活函數(shù)的基本性質(zhì) 88
　　4.1.1 無激活函數(shù)的神經(jīng)網(wǎng)絡(luò) 88
　　4.1.2 配備激活函數(shù)的神經(jīng)網(wǎng)絡(luò) 90
　　4.2 激活函數(shù)的理論分析 92
　　4.2.1 飽和激活函數(shù) 92
　　4.2.2 梯度消失和梯度爆炸問題 92
　　4.3 不可訓(xùn)練的激活函數(shù) 95
　　4.3.1 經(jīng)典激活函數(shù) 95
　　4.3.2 整流型激活函數(shù) 99
　　4.4 可訓(xùn)練的激活函數(shù) 107
　　4.4.1 參數(shù)化標(biāo)準(zhǔn)激活函數(shù) 107
　　4.4.2 集成化激活函數(shù) 113
　　4.5 激活函數(shù)實驗分析 119
　　4.5.1 CIFAR-10/100的實驗 119
　　4.5.2 ImageNet的實驗 126
　　4.6 數(shù)字化資源 130
　　第5章 深度學(xué)習(xí)的優(yōu)化算法 131
　　5.1 優(yōu)化算法與深度學(xué)習(xí) 131
　　5.1.1 優(yōu)化算法與深度學(xué)習(xí)的關(guān)系 131
　　5.1.2 優(yōu)化算法在深度學(xué)習(xí)中的挑戰(zhàn) 131
　　5.2 隨機梯度下降算法 134
　　5.3 動量法 137
　　5.3.1 梯度下降的問題 137
　　5.3.2 動量法 139
　　5.3.3 指數(shù)加權(quán)移動平均 141
　　5.3.4 從指數(shù)加權(quán)移動平均來理解動量法 142
　　5.3.5 NAG算法 142
　　5.4 自適應(yīng)梯度方法 145
　　5.4.1 AdaGrad算法 145
　　5.4.2 RMSProp算法 151
　　5.4.3 AdaDelta算法 155
　　5.4.4 Adam算法 157
　　5.4.5 AdaMax算法 164
　　5.5 優(yōu)化算法實驗分析 166
　　5.5.1 小型機翼噪聲回歸的實驗 167
　　5.5.2 CIFAR-10的實驗 171
　　5.5.3 ImageNet的實驗 173
　　5.6 數(shù)字化資源 175
　　第6章 神經(jīng)網(wǎng)絡(luò)的正則化 176
　　6.1 理論框架 176
　　6.2 正則化方法 178
　　6.2.1 批量歸一化 178
　　6.2.2 權(quán)重衰減 182
　　6.2.3 Dropout 185
　　6.2.4 模型集成 188
　　6.2.5 數(shù)據(jù)擴增 190
　　6.2.6 提前終止 192
　　6.2.7 標(biāo)簽平滑 193
　　6.2.8 多任務(wù)學(xué)習(xí) 195
　　6.2.9 添加噪聲 195
　　6.3 知識蒸餾技術(shù) 196
　　6.3.1 知識蒸餾 196
　　6.3.2 特征蒸餾 204
　　6.3.3 自蒸餾 209
　　6.4 數(shù)字化資源 212
　　第7章 網(wǎng)絡(luò)初始化方法 213
　　7.1 預(yù)備知識 213
　　7.1.1 常用隨機分布 213
　　7.1.2 隨機變量的性質(zhì) 213
　　7.2 Xavier初始化方法 214
　　7.3 Kaiming初始化方法 217
　　7.4 實驗分析 221
　　7.4.1 Xavier初始化實驗 221
　　7.4.2 Kaiming初始化實驗 223
　　7.5 數(shù)字化資源 227
　　第8章 生成對抗網(wǎng)絡(luò)基本原理 228
　　8.1 生成對抗網(wǎng)絡(luò)的基本介紹 228
　　8.1.1 生成對抗網(wǎng)絡(luò)的結(jié)構(gòu) 228
　　8.1.2 生成對抗網(wǎng)絡(luò)的理論分析 230
　　8.1.3 原始生成對抗網(wǎng)絡(luò) 235
　　8.2 生成對抗網(wǎng)絡(luò)常見的模型結(jié)構(gòu) 237
　　8.2.1 條件生成對抗網(wǎng)絡(luò) 237
　　8.2.2 深度卷積生成對抗網(wǎng)絡(luò) 240
　　8.2.3 漸進式增長生成對抗網(wǎng)絡(luò) 243
　　8.2.4 對抗自編碼器 246
　　8.3 生成對抗網(wǎng)絡(luò)的訓(xùn)練問題 249
　　8.3.1 生成對抗網(wǎng)絡(luò)存在的問題 249
　　8.3.2 穩(wěn)定訓(xùn)練的策略 251
　　8.4 基于Wasserstein距離的生成對抗網(wǎng)絡(luò) 257
　　8.4.1 Wasserstein距離 257
　　8.4.2 基于Wasserstein距離的WGAN 258
　　8.5 數(shù)字化資源 261
　　第9章 基于卷積神經(jīng)網(wǎng)絡(luò)的計算機視覺任務(wù) 262
　　9.1 遙感圖像融合任務(wù) 262
　　9.1.1 卷積神經(jīng)網(wǎng)絡(luò)與遙感圖像融合的關(guān)系 262
　　9.1.2 遙感圖像融合評價方法與評價指標(biāo) 263
　　9.1.3 基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像融合方法：PNN 265
　　9.1.4 基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像融合方法：PanNet 268
　　9.1.5 基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像融合方法：CLGF 272
　　9.2 遙感圖像超分辨率任務(wù) 275
　　9.2.1 卷積神經(jīng)網(wǎng)絡(luò)與遙感圖像超分辨率的關(guān)系 275
　　9.2.2 遙感圖像超分辨率評價方法與評價指標(biāo) 276
　　9.2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的超分辨率方法：SRCNN 276
　　9.2.4 基于卷積神經(jīng)網(wǎng)絡(luò)的超分辨率方法：ESRDNN 279
　　9.3 基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測任務(wù) 281
　　9.3.1 Two-Stage目標(biāo)檢測算法 281
　　9.3.2 One-Stage目標(biāo)檢測算法 287
　　9.4 基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)跟蹤任務(wù) 291
　　9.5 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像隱寫任務(wù) 302
　　9.6 數(shù)字化資源 320
　　第10章 生成對抗網(wǎng)絡(luò)的應(yīng)用 321
　　10.1 基于生成對抗網(wǎng)絡(luò)的信息安全任務(wù) 321
　　10.1.1 基于生成對抗網(wǎng)絡(luò)的圖像隱寫方法：HiDDeN 321
　　10.1.2 基于生成對抗網(wǎng)絡(luò)的信息加密方法：ANES 328
　　10.2 基于生成對抗網(wǎng)絡(luò)的計算機視覺任務(wù) 336
　　10.2.1 基于生成對抗網(wǎng)絡(luò)的超分辨率方法：SRGAN 336
　　10.2.2 基于生成對抗網(wǎng)絡(luò)的遙感圖像融合方法：PSGAN 339
　　10.3 數(shù)字化資源 342
　　參考文獻 343