类脑智能目标检测原理及应用

本书将人工智能与人类智慧深度融合，系统、全面地介绍了类脑智能目标检测网络的构建原理、方法、过程，具有较高的学术价值；同时，本书将所构建的类脑智能目标检测网络在无人车交通标志检测、无人车-机械臂协同作业这两个场景进行了示范应用，具有较大的工程应用价值。
本书主要的读者群体为从事类脑智能、计算机视觉、无人系统研究的科研工作者，以及人工智能、电子信息、计算机工程等相关专业的博士研究生、硕士研究生。

本书针对基于深度学习的目标检测过程中存在的抗干扰能力不足的瓶颈问题，从仿生的角度出发，深入分析如何构建具有抗干扰能力的类脑智能目标检测网络。本书的突出创新点为模拟大脑初级视觉皮层的生物学机理和人类认知注意机制，提出了受大脑视觉皮层启发的多层级、多通路，融合认知注意的类脑智能目标检测网络。
该书紧扣技术前沿，条理清楚，理论正确，内容详实，实验结果真实可信，具有良好的学术水平和工程应用价值。该书的学术水平为国内领先水平。

目标检测是指对图像中感兴趣物体的类别和位置进行判断的过程，在自动驾驶、安防监控、智能机器人、航空航天、医疗诊断等领域应用广泛。目前基于数据驱动的目标检测存在抗干扰能力不足等瓶颈问题，易受外界环境因素的影响，导致误检或漏检，如2016～2021年特斯拉无人车发生的四次重大事故，均是由于将白色集装箱误检为白云而导致的。然而，人类大脑视觉皮层经过漫长的进化，可实现高效、精确的目标检测，具有很强的适应性和稳定性。本书以此为研究背景，从仿生的角度出发，深入分析如何构建具有抗干扰能力的类脑智能目标检测网络。
本书将人工智能与人类智慧深度融合，系统、全面地介绍了类脑智能目标检测网络的构建原理、方法和过程，具有较高的学术价值；同时，本书将所构建的类脑智能目标检测网络在无人车交通标志检测、无人车-机械臂协同作业这两个场景中进行了示范应用，具有较大的工程应用价值。
本书紧扣国际前沿热点，其主要创新性内容如下：针对现有目标检测深度神经网络抗干扰能力差的瓶颈问题，模拟大脑初级视觉皮层的生物学机理和人类认知注意机制，提出了受大脑视觉皮层启发的多层级、多通路、融合认知注意的类脑目标检测网络，可实现在表面遮挡、噪声影响、光照变化、AI对抗等环境下的目标精准检测，具有良好的实时性、稳定性和抗干扰能力。[注：本书的主要创新性内容经第三方查新（查新报告号：2021080）表明，未见公开报道，具有创新性。]
本书的主要读者群体为从事类脑智能、计算机视觉、无人系统研究的科研工作者，以及人工智能、电子信息、计算机工程等相关专业的博士研究生、硕士研究生。“类脑智能”是新一代人工智能的重要发展方向之一。
本书共6章，分别从“目标检测技术及其发展”“大脑视觉皮层的机理分析”“类脑智能目标检测网络的构建与优化”“类脑智能目标检测网络的性能评价”“在无人驾驶车辆上的应用验证”“类脑目标检测系统的综合评价”等角度开展论述，紧扣前沿，系统全面，集学术性、创新性、实用性于一体。
感谢北京市科技计划“高抗扰性目标检测技术及其应用”项目以及教育部科技发展中心中国高校产学研创新基金“仿视觉皮层的目标识别网络研究及其应用”的资助；感谢武警工程大学“高层次科技创新人才引进计划”的支持。
感谢北京大学谭营教授、北京师范大学李小俚教授、北京航空航天大学王青云教授、北京航空航天大学洪晟研究员、北京钢铁侠科技有限公司董事长张锐对本书的指导和支持。
感谢刘华鹏工程师、樊迪博士、马燕琳工程师、王子彻工程师、陈路豪工程师在本书撰写过程中所做的贡献。
由于笔者水平所限，书中不妥之处敬请读者批评指正。

赵小川

第1章 目标检测技术及其发展
1.1 数字图像处理与深度学习 2
1.1.1 数字图像处理的基础知识2
1.1.2 深度学习的基础知识4
1.2 目标检测技术及其评价指标 17
1.2.1 什么是目标检测技术17
1.2.2 目标检测的评价指标18
1.3 目标检测的研究进展 20
1.3.1 传统视觉目标检测的研究进展20
1.3.2 基于深度学习的视觉目标检测研究进展22
1.3.3 总结与展望32
1.4 目标检测技术的难点 34
1.5 AI对抗攻击的内涵与研究状况 36
1.5.1 AI对抗攻击的内涵37
1.5.2 AI对抗攻击的研究状况38

第2章 大脑视觉皮层的机理分析
2.1 视觉系统的运行流程 44
2.2 眼球-视网膜-视神经工作机制 45
2.3 视觉皮层的工作机制 49
2.4 受视觉皮层启发的目标检测研究现状及思考 61

第3章 类脑智能目标检测网络的构建与优化
3.1 构建的总体思路 68
3.2 仿V1视觉皮层模块 71
3.3 视觉注意力模块 74
3.4 类脑智能目标检测深度网络框架 76
3.5 目标检测的网络模型压缩提速 84
3.5.1 模型剪枝技术84
3.5.2 模型量化技术87

第4章 类脑智能目标检测网络的性能评价
4.1 在公开数据集COCO 2017上目标识别性能评估 90
4.1.1 COCO数据集简介90
4.1.2 模型训练过程91
4.1.3 性能对比分析95
4.2 在自建数据集上性能评估 97
4.3 存在AI对抗攻击时的目标检测效能 99
4.3.1 AI对抗攻击图案99
4.3.2 AI对抗攻击下的目标检测效果分析100

第5章 在无人驾驶车辆上的应用验证
5.1 无人驾驶车辆的发展与分析 106
5.1.1 无人驾驶车辆的发展106
5.1.2 无人驾驶车辆在视觉感知方面的瓶颈117
5.2 面向复杂城市环境的数据集构建 120
5.2.1 数据集概述120
5.2.2 数据集详细情况122
5.3 面向干扰环境无人车交通标志识别 130
5.3.1 应用验证系统简介130
5.3.2 应用验证场景介绍134
5.3.3 应用验证效果及对比分析137
5.4 基于视觉目标检测的车臂协同开门 144
5.4.1 应用验证系统简介144
5.4.2 系统验证场景介绍及验证效果对比分析151

第6章 类脑目标检测系统的综合评价
6.1 构建综合评价模型的总体思路 156
6.2 综合评价的具体实现过程 158
6.3 指标评测方法与流程 165

总结与展望 168

参考文献 169