目錄 第1章深度學習基礎 1.1數學基礎 1.1.1矩陣論 1.1.2概率論 1.1.3優化分析 1.1.4框架分析 1.2稀疏表示 1.2.1稀疏表示初步 1.2.2稀疏模型 1.2.3稀疏認知學習、計算與識別的范式 1.3機器學習與神經網絡 1.3.1機器學習 1.3.2神經網絡 參考文獻 第2章深度前饋神經網絡 2.1神經元的生物機理 2.1.1生物機理 2.1.2單隱層前饋神經網絡 2.2多隱層前饋神經網絡 2.3反向傳播算法 2.4深度前饋神經網絡的學習范式 參考文獻 第3章深度卷積神經網絡 3.1卷積神經網絡的生物機理及數學刻畫 3.1.1生物機理 3.1.2卷積流的數學刻畫 3.2深度卷積神經網絡 3.2.1典型網絡模型與框架 3.2.2學習算法及訓練策略 3.2.3模型的優缺點分析 3.3深度反卷積神經網絡 3.3.1卷積稀疏編碼 3.3.2深度反卷積神經網絡 3.3.3網絡模型的性能分析與應用舉例 3.4全卷積神經網絡 3.4.1網絡模型的數學刻畫 3.4.2網絡模型的性能分析及應用舉例 參考文獻 第4章深度堆棧自編碼網絡 4.1自編碼網絡 4.1.1逐層學習策略 4.1.2自編碼網絡 4.1.3自編碼網絡的常見范式 4.2深度堆棧網絡 4.3深度置信網絡/深度玻爾茲曼機網絡 4.3.1玻爾茲曼機/受限玻爾茲曼機 4.3.2深度玻爾茲曼機/深度置信網絡 參考文獻 第5章稀疏深度神經網絡 5.1稀疏性的生物機理 5.1.1生物視覺機理 5.1.2稀疏性響應與數學物理描述 5.2稀疏深度網絡模型及基本性質 5.2.1數據的稀疏性 5.2.2稀疏正則 5.2.3稀疏連接 5.2.4稀疏分類器設計 5.2.5深度學習中關于稀疏的技巧與策略 5.3網絡模型的性能分析 5.3.1稀疏性對深度學習的影響 5.3.2對比試驗及結果分析 參考文獻 第6章深度融合網絡 6.1深度SVM網絡 6.1.1從神經網絡到SVM 6.1.2網絡模型的結構 6.1.3訓練技巧 6.2深度PCA網絡 6.3深度ADMM網絡 6.4深度極限學習機 6.4.1極限學習機 6.4.2深度極限學習機 6.5深度多尺度幾何網絡 6.5.1深度脊波網絡 6.5.2深度輪廓波網絡 6.6深度森林 6.6.1多分辨特性融合 6.6.2級聯特征深度處理 參考文獻 第7章深度生成網絡 7.1生成式對抗網絡的基本原理 7.1.1網絡模型的動機 7.1.2網絡模型的數學物理描述 7.2深度卷積對抗生成網絡 7.2.1網絡模型的基本結構 7.2.2網絡模型的性能分析 7.2.3網絡模型的典型應用 7.3深度生成網絡模型的新范式 7.3.1生成式對抗網絡的新范式 7.3.2網絡框架的性能分析與改進 7.4應用驅動下的兩種新生成式對抗網絡 7.4.1堆棧生成式對抗網絡 7.4.2對偶學習范式下的生成式對抗網絡 7.5變分自編碼器 參考文獻 第8章深度復卷積神經網絡與深度二值神經網絡 8.1深度復卷積神經網絡 8.1.1網絡模型構造的動機 8.1.2網絡模型的數學物理描述 8.2深度二值神經網絡 8.2.1網絡基本結構 8.2.2網絡的數學物理描述 8.2.3討論 參考文獻 第9章深度循環和遞歸神經網絡 9.1深度循環神經網絡 9.1.1循環神經網絡的生物機理 9.1.2簡單的循環神經網絡 9.1.3深度循環神經網絡的數學物理描述 9.2深度遞歸神經網絡 9.2.1簡單的遞歸神經網絡 9.2.2深度遞歸神經網絡的優勢 9.3長短時記憶神經網絡 9.3.1改進動機分析 9.3.2長短時記憶神經網絡的數學分析 9.4典型應用 9.4.1深度循環神經網絡的應用舉例 9.4.2深度遞歸神經網絡的應用舉例 參考文獻 第10章深度強化學習 10.1深度強化學習簡介 10.1.1深度強化學習的基本思路 10.1.2發展歷程 10.1.3應用新方向 10.2深度Q網絡 10.2.1網絡基本模型與框架 10.2.2深度Q網絡的數學分析 10.3應用舉例——AlphaGo 10.3.1AlphaGo原理分析 10.3.2深度強化學習性能分析 參考文獻 第11章深度學習軟件仿真平臺及開發環境 11.1Caffe平臺 11.1.1Caffe平臺開發環境 11.1.2AlexNet神經網絡學習 11.1.3AlexNet神經網絡應用于圖像分類 11.2TensorFlow平臺 11.2.1TensorFlow平臺開發環境 11.2.2深度卷積生成式對抗網DCGAN 11.2.3DAN應用于樣本擴充 11.3MXNet平臺 11.3.1MXNet平臺開發環境 11.3.2VGGNET深度神經網絡學習 11.3.3圖像分類應用任務 11.4Torch 7平臺 11.4.1Torch 7平臺開發環境 11.4.2二值神經網絡 11.4.3二值神經網絡應用于圖像分類 11.5Theano平臺 11.5.1Theano平臺開發環境 11.5.2遞歸神經網絡 11.5.3LSTM應用于情感分類任務 參考文獻 第12章基于深度神經網絡的SAR/PolSAR影像地物分類 12.1數據集及研究目的 12.1.1數據集特性分析 12.1.2基本數據集 12.1.3研究目的 12.2基于深度神經網絡的SAR影像地物分類 12.2.1基于自適應自編碼和超像素的SAR圖像分類 12.2.2基于卷積中層特征學習的SAR圖像分類 12.3基于**代深度神經網絡的PolSAR影像地物分類 12.3.1基于稀疏極化DBN的極化SAR地物分類 12.3.2基于深度PCA網絡的極化SAR影像地物分類 12.4基于第二代深度神經網絡的PolSAR影像地物分類 12.4.1基于深度復卷積網絡的PolSAR影像地物分類 12.4.2基于生成式對抗網的PolSAR影像地物分類 12.4.3基于深度殘差網絡的PolSAR影像地物分類 參考文獻 第13章基于深度神經網絡的SAR影像的變化檢測 13.1數據集特點及研究目的 13.1.1研究目的 13.1.2數據基本特性 13.1.3典型數據集 13.2基于深度學習和SIFT特征的SAR圖像變化檢測 13.2.1基本方法與實現策略 13.2.2對比試驗結果分析 13.3基于SAE的SAR圖像變化檢測 13.3.1基本方法與實現策略 13.3.2實驗結果和分析 13.4基于CNN的SAR圖像變化檢測 13.4.1基本方法與實現策略 13.4.2對比試驗結果分析 參考文獻 第14章基于深度神經網絡的高光譜圖像分類與壓縮 14.1數據集及研究目的 14.1.1高光譜遙感技術 14.1.2高光譜遙感的研究目的 14.1.3常用的高光譜數據集 14.2基于深度神經網絡的高光譜影像的分類 14.2.1基于堆棧自編碼的高光譜影像的分類 14.2.2基于卷積神經網絡的高光譜影像的分類 14.3基于深度神經網絡的高光譜影像的壓縮 14.3.1基于深度自編碼網絡的高光譜圖像壓縮方法 14.3.2實驗設計及分類結果 參考文獻 第15章基于深度神經網絡的目標檢測與識別 15.1數據特性及研究目的 15.1.1研究目的 15.1.2常用數據集 15.2基于快速CNN的目標檢測與識別 15.2.1RCNN 15.2.2Fast RCNN 15.2.3Faster RCNN 15.2.4對比實驗結果與分析 15.3基于回歸學習的目標檢測與識別 15.3.1YOLO 15.3.2SSD 15.3.3對比實驗結果與分析 15.4基于學習搜索的目標檢測與識別 15.4.1基于深度學習的主動目標定位 15.4.2AttentionNet 15.4.3對比實驗結果與分析 參考文獻 第16章總結與展望 16.1深度學習發展歷史圖 16.1.1從機器學習、稀疏表示學習到深度學習 16.1.2深度學習、計算與認知的范式演進 16.1.3深度學習形成脈絡 16.2深度學習的應用介紹 16.2.1目標檢測與識別 16.2.2超分辨 16.2.3自然語言處理 16.3深度神經網絡的可塑性 16.3.1旋轉不變性 16.3.2平移不變性 16.3.3多尺度、多分辨和多通路特性 16.3.4稀疏性 16.4基于腦啟發式的深度學習前沿方向 16.4.1生物神經領域關于認知、識別、注意等的*新研究進展 16.4.2深度神經網絡的進一步研究方向 16.4.3深度學習的可拓展性 參考文獻 附錄A基于深度學習的常見任務處理介紹 附錄B代碼介紹