卷積神經(jīng)網(wǎng)絡與計算機視覺

譯者序
前言
致謝
作者簡介
第1章簡介
11什么是計算機視覺
111應用案例
112圖像處理與計算機視覺
12什么是機器學習
121為什么需要深度學習
13本書概覽
第2章特征和分類器
21特征和分類器的重要性
211特征
212分類器
22傳統(tǒng)特征描述符
221方向梯度直方圖
222尺度不變特征變換
223加速健壯特征
224傳統(tǒng)的手工工程特征的局限性
23機器學習分類器
231支持向量機
232隨機決策森林
24總結
第3章神經(jīng)網(wǎng)絡基礎
31引言
32多層感知機
321基礎架構
322參數(shù)學習
33循環(huán)神經(jīng)網(wǎng)絡
331基礎架構
332參數(shù)學習
34與生物視覺的關聯(lián)
341生物神經(jīng)元模型
342神經(jīng)元的計算模型
343人工神經(jīng)元與生物神經(jīng)元
第4章卷積神經(jīng)網(wǎng)絡
41引言
42神經(jīng)網(wǎng)絡層
421預處理
422卷積層
423池化層
424非線性
425全連接層
426轉置卷積層
427感興趣區(qū)域的池化層
428空間金字塔池化層
429局部特征聚合描述符層
4210空間變換層
43CNN損失函數(shù)
431交叉熵損失函數(shù)
432SVM鉸鏈損失函數(shù)
433平方鉸鏈損失函數(shù)
434歐幾里得損失函數(shù)
4351誤差
436對比損失函數(shù)
437期望損失函數(shù)
438結構相似性度量
第5章CNN學習
51權重初始化
511高斯隨機初始化
512均勻隨機初始化
513正交隨機初始化
514無監(jiān)督的預訓練
515澤維爾(Xavier)初始化
516ReLU敏感的縮放初始化
517層序單位方差
518有監(jiān)督的預訓練
52CNN的正則化
521數(shù)據(jù)增強
522隨機失活
523隨機失連
524批量歸一化
525集成模型平均
5262正則化
5271正則化
528彈性網(wǎng)正則化
529最大范數(shù)約束
5210早停
53基于梯度的CNN學習
531批量梯度下降
532隨機梯度下降
533小批量梯度下降
54神經(jīng)網(wǎng)絡優(yōu)化器
541動量
542涅斯捷羅夫動量
543自適應梯度
544自適應增量
545RMSprop
546自適應矩估計
55CNN中的梯度計算
551分析微分法
552數(shù)值微分法
553符號微分法
554自動微分法
56通過可視化理解CNN
561可視化學習的權重
562可視化激活
563基于梯度的可視化
第6章CNN架構的例子
61LeNet
62AlexNet
63NiN
64VGGnet
65GoogleNet
66ResNet
67ResNeXt
68FractalNet
69DenseNet
第7章CNN在計算機視覺中的應用
71圖像分類
711PointNet
72目標檢測與定位
721基于區(qū)域的CNN
722快速RCNN
723區(qū)域建議網(wǎng)絡
73語義分割
731全卷積網(wǎng)絡
732深度反卷積網(wǎng)絡
733DeepLab
74場景理解
741DeepContext
742從RGBD圖像中學習豐富的特征
743用于場景理解的PointNet
75圖像生成
751生成對抗網(wǎng)絡
752深度卷積生成對抗網(wǎng)絡
753超分辨率生成對抗網(wǎng)絡
76基于視頻的動作識別
761靜止視頻幀的動作識別
762雙流CNN
763長期遞歸卷積網(wǎng)絡
第8章深度學習工具和庫
81Caffe
82TensorFlow
83MatConvNet
84Torch7
85Theano
86Keras
87Lasagne
88Marvin
89Chainer
810PyTorch
第9章結束語
91本書概要
92未來研究方向
術語表
參考文獻