深度学习算法是一种基于深度神经网络的机器学习方法，它通过对海量数据进行训练，构建出一个功能强大的深度神经网络模型。与传统机器学习算法相比，深度学习算法具有更强的表达能力和自适应性，能够有效处理高维度、非线性的数据，并在大规模数据集上展现出卓越的性能。本书系统且深入地阐述了深度学习的核心理论及其在图像处理领域中的具体应用。全书共4章，主要章节包括绪论、迁移学习算法、基于深度学习的目标检测算法、生成对抗网络算法及其应用。

更多科学出版社服务，请扫码获取。

吉林省重点项目\吉林省科技进步三等奖\吉林省人工智能学会理事\吉林省大学生电子设计竞赛命题专家

目录
前言
第1章 绪论 1
1.1 深度学习算法的起源 1
1.2 深度学习算法的发展 2
1.2.1 迁移学习算法的发展 2
1.2.2 目标检测算法的发展 3
1.2.3 生成对抗网络算法的发展 5
1.3 深度学习算法的应用 7
第2章 迁移学习算法 9
2.1 迁移学习算法的基本原理 9
2.2 基于自注意力机制和最小二乘的领域自适应算法 10
2.2.1 基于自注意力机制的条件对抗领域自适应网络算法 10
2.2.2 基于最小二乘损失函数的条件对抗领域自适应网络算法 13
2.2.3 仿真实验及结果分析 14
2.3 基于谱归一化的领域自适应算法 19
2.3.1 深度对抗神经网络算法 19
2.3.2 改进的领域自适应算法 20
2.3.3 仿真实验及结果分析 24
2.4 逐步自适应特征范数算法及其改进 29
2.4.1 改进的逐步自适应特征范数算法 29
2.4.2 仿真实验及结果分析 31
2.5 基于注意力机制和平滑损失函数的SAFN算法 35
2.5.1 基于注意力机制的SAFN算法 35
2.5.2 基于平滑损失函数的SAFN算法 37
2.5.3 仿真实验及结果分析 40
第3章 基于深度学习的目标检测算法 46
3.1 基于改进的均值聚类的目标检测算法 46
3.1.1 算法描述 46
3.1.2 仿真实验及结果分析 51
3.2 基于动态非极大值抑制的目标检测算法 53
3.2.1 算法描述 53
3.2.2 仿真实验及结果分析 57
3.3 基于改进的YOLOv5s算法的输电线路缺陷快速检测算法 60
3.3.1 算法描述 60
3.3.2 仿真实验及结果分析 66
3.4 基于改进的YOLOv5s算法的输电线路高精度检测算法 68
3.4.1 改进的FPN 68
3.4.2 改进的轻量化跨阶段部分连接模块 70
3.4.3 新的激活函数 71
3.4.4 仿真实验及结果分析 72
3.5 基于Sparse R-CNN的遥感图像目标检测算法 74
3.5.1 Sparse R-CNN算法的基本原理 74
3.5.2 改进的Sparse R-CNN算法 76
3.5.3 仿真实验及结果分析 79
第4章 GAN算法及其应用 84
4.1 基于GAN算法的图像生成算法 84
4.1.1 改进的下采样算法 84
4.1.2 改进的生成网络结构 85
4.1.3 改进的损失函数 87
4.1.4 仿真实验及结果分析 88
4.2 基于GAN的图像去雾算法 97
4.2.1 图像去雾的生成网络 97
4.2.2 图像去雾的判别网络 100
4.2.3 图像去雾的损失函数 100
4.2.4 仿真实验及结果分析 101
4.3 基于GAN算法的低光照图像增强算法 104
4.3.1 低光照图像增强的生成网络结构 104
4.3.2 低光照图像增强的对抗网络结构 107
4.3.3 低光照图像增强的损失函数 108
4.3.4 仿真实验及结果分析 109
4.4 基于GAN算法的水下图像增强算法 111
4.4.1 水下图像增强的生成网络 111
4.4.2 水下图像增强的对抗网络 114
4.4.3 水下图像增强的损失函数 115
4.4.4 仿真实验及结果分析 116
4.5 基于GAN算法的视网膜眼底图像超分辨率重建算法 117
4.5.1 面向视网膜眼底图像超分辨率重建的生成网络 117
4.5.2 面向视网膜眼底图像超分辨率重建的判别网络 119
4.5.3 面向视网膜眼底图像超分辨率重建的损失函数 121
4.5.4 仿真实验及结果分析 122
4.6 基于GAN的日常图像超分辨率重建算法 125
4.6.1 面向日常图像超分辨率重建的生成网络 125
4.6.2 面向日常图像超分辨率重建的对抗网络 129
4.6.3 仿真实验及结果分析 130
参考文献 133