深度学习及其在海洋目标检测中的应用

全书共分6章。第1章深度学习理论基础，阐述了人工智能、机器学习、深度学习理论、技术和方法以及三者之间的关系。第2章人工神经网络模型，总结介绍了神经网络的架构、类型、工作原理和优化训练方法。第3章卷积神经网络，分析论述了深度学习的典型算法——卷积神经网络的构成、机理、发展和应用，探讨了深度学习的前沿模型——图卷积神经网络和图注意力网络的机制、优势和实现方法。第4章海洋硬目标检测DL模型构建，将深度学习引入海洋目标检测领域，基于CNN构建了针对硬目标检测的深度学习模型——OceanTDAx系列模型，并对模型进行训练、优化和评估，在此基础上采用所构建的模型进行海洋目标检测实验。第5章海洋分布目标检测DL模型构建，构建了针对海洋分布目标检测的深度学习模型——OceanTDLx系列模型，并对模型进行训练、优化和目标检测实验。第6章基于多核并行架构的海洋目标检测，设计了OISPMDA—FDB多核并行架构，实现基于CNN初检的CFAR海洋目标提取、卡方分布临界值海洋目标提取、基于loglogistic的海洋目标提取、基于伴方差修正模型的复杂海况的海洋目标提取，共执行了4类30个海洋目标参数并行提取实验。

柳林，博士，硕士生导师，山东科技大学测绘学院副教授，山东省“泰山学者”建设工程团队骨干成员，青岛市第十届青年科技奖获得者，青岛黄岛新区拔尖人才，教育部“长江学者”函评专家，IEEE J-STARS、Ocean and Coastal Management知名SCI期刊及国内《测绘科学》等核心期刊审稿人。主要从事GIS、海洋GIS、智慧城市相关教学、科研工作，已出版专著1部，发表文章30余篇（其中检索9篇），获得专利等知识产权20余项。出版专著3部

第1章 深度学习理论基础
1.1 人工智能
1.1.1 人工智能的研究内容
1.1.2 人工智能的数学基础
1.1.3 人工智能的发展阶段
1.2 机器学习
1.2.1 机器学习概述
1.2.2 机器学习分类
1.2.3 机器学习算法
1.2.4 机器学习评价指标
1.2.5 机器学习应用领域
1.2.6 机器学习前沿和发展
1.3 深度学习
1.3.1 深度学习概述
1.3.2 深度学习模型
1.3.3 深度学习框架
1.3.4 深度学习的发展
第2章 人工神经网络模型
2.1 神经网络及其类型
2.1.1 神经网络的架构
2.1.2 神经网络的类型
2.2 神经网络工作原理
2.3 神经网络训练和优化
2.3.1 神经网络优化方法
2.3.2 神经网络训练算法
第3章 卷积神经网络
3.1 卷积神经网络
3.1.1 卷积神经网络概述
3.1.2 卷积神经网络构成
3.1.3 卷积神经网络机理
3.1.4 卷积神经网络的发展和应用
3.2 图卷积神经网络
3.2.1 图神经网络
3.2.2 图卷积神经网络
3.3 图注意力网络
3.3.1 注意力机制
3.3.2 图注意力网络
第4章 海洋硬目标检测DL模型构建
4.1 机器学习海洋目标检测现状
4.2 OceanTDA模型构建
4.2.1 目标检测神经网络模型构建
4.2.2 目标检测神经网络模型训练
4.2.3 目标检测模型优化及评估
4.3 研究区域及数据选取
4.3.1 SAR技术发展
4.3.2 研究区域和数据选取
4.4 硬目标检测实验
4.4.1 CNN模型实验
4.4.2 VGG模型实验
4.4.3 OceanTDA9模型的实验
第5章 海洋分布目标检测DL模型构建
5.1 0ceanTDL模型构建
5.1.1 OceanTDL系列模型构建
5.1.2 OceanTDL5和OceanTDA9比较
5.2 OceaTDL模型优化
5.3 分布目标检测实验
5.3.1 实验区域及数据
5.3.2 目标检测实验
第6章 基于多核并行架构的海洋目标检测
6.1 并行分布式训练策略和架构
6.1.1 多核并行检测研究现状
6.1.2 并行分布式训练策略
6.1.3 并行分布式训练架构
6.2 模型训练的多核并行架构设计
6.2.1 并行分布式架构设计
6.2.2 OISPMDA—FDS部署
6.3 模型训练的多核并行实验
6.3.1 实验环境
6.3.2 单机单／双GPU实验
6.3.3 多机多CPU实验
6.3.4 多机多GPU实验
6.4 目标提取的多核并行实验
6.4.1 多核并行海洋目标提取流程
6.4.2 基于CNN初检CFAR目标提取实验
6.4.3 卡方分布临界值海洋目标提取实验
6.4.4 基于Loglogistic海洋目标提取实验
6.4.5 基于伴方差修正模型复杂海况目标提取实验
参考文献