第1章  深度学习基础知识
  1.1  深度学习的发展历程
  1.2  卷积神经网络
    1.2.1  卷积层
    1.2.2  池化层
    1.2.3  全连接层
    1.2.4  激活函数
    1.2.5  损失函数
    1.2.6  Dropout
    1.2.7  数据预处理
    1.2.8  批归一化
    1.2.9  优化方法
  1.3  代表性网络架构
    1.3.1  LeNet
    1.3.2  AlexNet
    1.3.3  GoogLeNet
    1.3.4  VGGNet
    1.3.5  ResNet
    1.3.6  DenseNet
    1.3.7  LSTM
    1.3.8  GAN
  1.4  深度学习框架
    1.4.1  Caffe
    1.4.2  PyTorch
    1.4.3  TensorFlow
    1.4.4  Theano
    1.4.5  MXNet
    1.4.6  PaddlePaddle
    1.4.7  MindSpore
    1.4.8  之江天枢人工智能开源平台
第2章  超分辨重建技术
  2.1  引言
  2.2  超分辨重建技术简介
  2.3  超分辨数据集
  2.4  超分辨质量评价方法
  2.5  有监督超分辨技术
    2.5.1  超分辨主流框架
    2.5.2  典型的超分辨网络结构
    2.5.3  损失函数设计
  2.6  无监督超分辨技术
    2.6.1  零样本超分辨
    2.6.2  弱监督超分辨
  2.7  特定领域超分辨技术
    2.7.1  深度图像超分辨重建
    2.7.2  人脸超分辨重建
    2.7.3  视频超分辨重建
  2.8  超分辨未来发展趋势
第3章  目标检测
  3.1  引言
  3.2  目标检测常用数据集及评价指标
    3.2.1  常用目标检测数据集
    3.2.2  常用目标检测评价指标
  3.3  传统目标检测算法
  3.4  基于深度学习的双阶目标检测算法
    3.4.1  双阶目标检测网络发展历程
    3.4.2  双阶目标检测网络的样本不平衡处理方法
  3.5  基于深度学习的单阶目标检测算法
    3.5.1  单阶目标检测网络发展历程
    3.5.2  单阶目标检测网络关键技术
    3.5.3  基于Anchor-free的新型检测技术
  3.6  目标检测难点与前沿问题
    3.6.1  域自适应目标检测
    3.6.2  基于小样本学习的目标检测
    3.6.3  基于零样本学习的目标检测
  3.7  目标检测应用场景与展望
    3.7.1  目标检测在安防领域的应用
    3.7.2  目标检测在军事领域的应用
    3.7.3  目标检测在医学领域的应用
    3.7.4  目标检测在交通领域的应用
第4章  视频多目标跟踪
  4.1  引言
    4.1.1  单目标跟踪简介
    4.1.2  多目标跟踪研究的背景与意义
    4.1.3  多目标跟踪的评价指标
  4.2  经典的传统多目标跟踪技术
    4.2.1  基于轨迹预测的多目标跟踪算法
    4.2.2  基于数据关联的多目标跟踪算法
  4.3  基于深度学习的多目标跟踪技术
    4.3.1  基于深度学习的特征提取与运动预测
    4.3.2  检测与跟踪融合的深度学习网络
  4.4  多目标跟踪技术的未来展望
第5章  跨镜行人重识别
  5.1  引言
  5.2  基于局部特征的Re-ID方法
    5.2.1  图像切块的方法
    5.2.2  利用人体姿态估计的方法
    5.2.3  人体部位对齐的方法
  5.3  基于表征学习的Re-ID方法
    5.3.1  基于注意力机制的方法
    5.3.2  引入行人属性特征的多任务学习方法
    5.3.3  基于图像分割的方法
  5.4  跨域迁移
    5.4.1  基于弱监督学习的方法
    5.4.2  基于无监督学习的方法
    5.4.3  基于GAN的方法
  5.5  基于视频序列的Re-ID方法
    5.5.1  利用运动信息建模的方法
    5.5.2  利用时序信息建模的方法
    5.5.33  D卷积建模方法
  5.6  基于造图的Re-ID方法
第6章  行为分析
  6.1  引言
  6.2  人体关键点检测
    6.2.1  背景
    6.2.2  研究难点
    6.2.3  数据集和评价标准
    6.2.4  传统方法
    6.2.5  基于深度学习的方法
  6.3  行为识别
    6.3.1  背景
    6.3.2  研究难点
    6.3.3  数据集介绍
    6.3.4  传统方法iDT
    6.3.5  深度学习方法
  6.4  行为检测
    6.4.1  背景
    6.4.2  研究难点
    6.4.3  数据集介绍
    6.4.4  基于深度学习的方法
  6.5  本章小结
第7章  基于视频分析的生理信号的检测
  7.1  引言
  7.2  光电容积脉搏波
    7.2.1  传统的PPG波形特征及检测原理
    7.2.2  基于视频的rPPG检测原理
  7.3  基于视频PPG信号的心率检测
    7.3.1  PPG信号计算心率背景
    7.3.2  心率相关信号预处理
    7.3.3  心率计算方法
  7.4  基于视频PPG信号的血压检测
    7.4.1  PPG信号计算血压原理
    7.4.2  血压计算方法
  7.5  基于视频PPG信号的血糖监测
    7.5.1  基于视频监测血糖的原理
    7.5.2  血糖相关信号处理及特征提取
    7.5.3  血糖计算方法
第8章  卷积神经网络模型压缩与加速
  8.1  引言
  8.2  模型剪枝
    8.2.1  非结构化剪枝
    8.2.2  结构化剪枝
  8.3  模型量化
  8.4  知识蒸馏
  8.5  其他压缩与加速技术
    8.5.1  低秩分解
    8.5.2  简洁结构设计
    8.5.3  神经网络架构搜索
第9章  非配合环境下视频智能分析算法平台
  9.1  引言
    9.1.1  视频智能分析算法与平台功能
    9.1.2  视频分析相关标准
  9.2  视频智能分析算法库
    9.2.1  视频智能分析算法库架构
    9.2.2  视频智能分析算法工程化实现
    9.2.3  视频智能分析算法验证方法
  9.3  基于微云的视频智能分析平台架构设计
    9.3.1  Kubernetes微云系统设计
    9.3.2  资源调度策略
    9.3.3  存储与管理策略
    9.3.4  服务部署策略
  9.4  视频智能分析算法平台系统
    9.4.1  视频智能分析算法平台人机界面
    9.4.2  视频智能分析算法平台操作流程
参考文献
中英文术语对照