目标检测作为计算机视觉领域的一个基础性研究课题，主要涉及对目标进行分类和定位，在工业缺陷检测、医疗诊断、农业病虫害识别等多个实际场景中具有广泛应用。然而，复杂场景下目标尺度差异大、背景干扰强、样本不均衡和特定领域数据匮乏等问题，严重制约了目标检测算法的精度与泛化能力。本书从有效感受野、特征编码、样本匹配和特定领域数据集构建等方面入手，针对上述问题展开研究，探索基于感受野理论的目标检测算法，并提出更加有效的农业病虫害检测方案。 本书适合计算机视觉与图像处理相关领域的专业人员和研究生阅读、参考。

前言
第1章 绪论
1.1 研究背景和意义
1.2 目标检测算法研究现状
1.2.1 传统目标检测技术
1.2.2 目标检测技术的发展
1.2.3 通用目标检测方法
1.2.4 存在的问题与挑战
1.3 本书的主要研究工作
1.3.1 构建基于有效感受野的训练样本滤波算法
1.3.2 构建融合全局表示和局部特征的编码算法
1.3.3 构建基于有效感受野的动态样本选择策略
1.3.4 构建标准化的农业病虫害数据集
1.3.5 本书的内容结构
第2章 基础理论与方法
2.1 深度神经网络
2.1.1 卷积神经网络
2.1.2 深度自注意力变换网络
2.1.3 深度神经网络的组成
2.1.4 骨干网络
2.1.5 编码器
2.1.6 损失函数
2.2 神经网络感受野
2.2.1 生物感受野
2.2.2 理论感受野
2.2.3 有效感受野
2.3 目标检测数据集
2.3.1 通用目标检测数据集
2.3.2 农业病虫害数据集
第3章 基于有效感受野增强表示学习的目标检测算法
3.1 研究背景和思路
3.2 基于有效感受野的目标检测算法
3.2.1 RF和eRF在顶层特征图中的定义
3.2.2 eRPN
3.2.3 eRPN w FPN
3.2.4 基于eRF的样本选择策略
3.2.5 损失函数
3.3 实验结果与分析
3.3.1 实验描述
3.3.2 Pascal VOC数据集上的实验
3.3.3 MS COCO数据集上的实验
3.3.4 有效性评估
第4章 基于有效感受野与多入单出编码的目标检测算法
4.1 研究背景和思路
4.2 M2YOLOF组件
4.2.1 注意力编码算法组件
4.2.2 eRFOTA匹配
4.2.3 M2YOLOF训练流程
4.3 实验结果与分析
4.3.1 实验细节
4.3.2 与其他方法的比较
4.3.3 消融实验
4.3.4 损失分析
4.3.5 误差分析
第5章 农业病虫害目标检测应用
5.1 研究背景与思路
5.2 农业病虫害数据集Pest24的构建
5.3 Pest24数据集属性分析
5.3.1 复杂背景
5.3.2 物体重叠或粘连
5.3.3 目标和背景的颜色差异
5.3.4 害虫类别和目标数量分布
5.3.5 目标尺度
5.3.6 目标相似度
5.4 实验结果与分析
5.4.1 SOTA方法在Pest24数据集上的性能对比
5.4.2 Pest24数据集下的类别属性分析
第6章 结论与展望
6.1 研究总结
6.2 不足与展望
参考文献