导语

  

内容提要

  

    本书介绍了先进的人工智能图像处理技术，以图像中的叶片为目标进行精准识别。针对图像数据量不足的问题，提出基于特征融合的深度卷积生成对抗网络用于生成叶片样本；针对复杂生境下的小尺寸图像中的单目标识别，提出基于多通道多种卷积核分解的单种叶片识别方法；针对复杂生境下的大尺寸图像中的多目标识别，提出基于深度残差卷积连接的多种叶片识别方法。
    本书适合人工智能、图像处理领域的读者阅读和使用。

第1章  绪论
  1.1  课题背景和研究意义
  1.2  国内外研究现状
  1.3  研究内容与技术路线
第2章  卷积神经网络的基础知识
  2.1  卷积神经网络的组成
  2.2  卷积神经网络的传播方式
  2.3  目标识别的评价标准
  2.4  本章小结
第3章  人工智能的目标识别网络
  3.1  R-CNN系列
  3.2  YOLO系列(一)
  3.3  YOLO系列(二)
  3.4  特征融合系列
  3.5  Transformer系列
  3.6  本章小结
第4章  基于生成对抗网络的数据集建立
  4.1  引言
  4.2  样本的基本信息
  4.3  样本的采集与预处理
  4.4  特征融合的深度卷积生成对抗网络
  4.5  叶片样本的命名与标注
  4.6  本章小结
第5章  基于多通道多种卷积核分解的单目标识别方法
  5.1  引言
  5.2  多通道多种卷积核的设计结构
  5.3  改进的卷积核分解设计结构
  5.4  多通道多种卷积核分解的识别网络
  5.5  实验结果与分析
  5.6  本章小结
第6章  基于深度残差卷积连接的多目标识别方法
  6.1  引言
  6.2  残差连接
  6.3  增强的特征标准化算法
  6.4  残差卷积模块的设计结构
  6.5  深度残差卷积连接的识别网络
  6.6  实验结果与分析
  6.7  本章小结
第7章  结论
  7.1  研究总结
  7.2  本书的创新点
  7.3  未来展望
参考文献