深度學(xué)習(xí)實(shí)踐：計(jì)算機(jī)視覺(jué)

定　價(jià)：￥79.00

作　者：	繆鵬
出版社：	清華大學(xué)出版社
叢編項(xiàng)：	CAD/CAM/CAE入門(mén)與提高系列叢書(shū)
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

京東 (￥79.00)

ISBN：	9787302517900	出版時(shí)間：	2019-01-01	包裝：	平裝
開(kāi)本：	16	頁(yè)數(shù)：	249	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書(shū)主要介紹了深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)方面的應(yīng)用及工程實(shí)踐，以Python3為開(kāi)發(fā)語(yǔ)言，并結(jié)合當(dāng)前主流的深度學(xué)習(xí)框架進(jìn)行實(shí)例展示。主要內(nèi)容包括：OpenCV入門(mén)、深度學(xué)習(xí)框架介紹、圖像分類(lèi)、目標(biāo)檢測(cè)與識(shí)別、圖像分割、圖像搜索以及圖像生成等，涉及到的深度學(xué)習(xí)框架包括PyTorch、TensorFlow、Keras、Chainer、MXNet等。通過(guò)本書(shū)，讀者能夠了解深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)各個(gè)方向的應(yīng)用以及1新進(jìn)展。本書(shū)的特點(diǎn)是依托工業(yè)環(huán)境的實(shí)踐經(jīng)驗(yàn)，具備較強(qiáng)的實(shí)用性和專(zhuān)業(yè)性。適合于廣大計(jì)算機(jī)視覺(jué)工程領(lǐng)域的從業(yè)者、深度學(xué)習(xí)愛(ài)好者、相關(guān)專(zhuān)業(yè)的大學(xué)生和研究生以及對(duì)計(jì)算機(jī)視覺(jué)感興趣的愛(ài)好者使用。

作者簡(jiǎn)介

　　繆鵬，某985高校物理碩士，長(zhǎng)期從事企業(yè)虛擬化和深度學(xué)習(xí)圖像算法方面的工作。現(xiàn)為廣州棒谷科技有限公司AI－CV核心成員，負(fù)責(zé)團(tuán)隊(duì)圖像分類(lèi)、搜索與圖像合成核心算法開(kāi)發(fā)。

圖書(shū)目錄

目錄
第1章深度學(xué)習(xí)與計(jì)算機(jī)視覺(jué)1
1.1 圖像基礎(chǔ)3
1.2 深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)基礎(chǔ)4
1.2.1 函數(shù)的簡(jiǎn)單表達(dá)5
1.2.2 函數(shù)的矩陣表達(dá)5
1.2.3 神經(jīng)網(wǎng)絡(luò)的線性變換6
1.2.4 神經(jīng)網(wǎng)絡(luò)的非線性變換6
1.2.5 深層神經(jīng)網(wǎng)絡(luò)6
1.2.6 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程8
1.3 卷積神經(jīng)網(wǎng)絡(luò)CNN9
1.4 基礎(chǔ)開(kāi)發(fā)環(huán)境搭建14
1.5 本章總結(jié)15
第2章 OpenCV入門(mén)16
2.1 讀圖、展示和保存新圖17
2.2 像素點(diǎn)及局部圖像18
2.3 基本線條操作19
2.4 平移20
2.5 旋轉(zhuǎn)20
2.6 縮放21
2.6.1 鄰近插值22
2.6.2 雙線性插值22
2.7 翻轉(zhuǎn)23
2.8 裁剪23
2.9 算術(shù)操作23
2.10 位操作24
2.11 Masking操作25
2.12 色彩通道分離與融合26
2.13 顏色空間轉(zhuǎn)換27
2.14 顏色直方圖28
2.15 平滑與模糊29
2.16 邊緣檢測(cè)31
2.17 人臉和眼睛檢測(cè)示例32
2.18 本章總結(jié)35
第3章常見(jiàn)深度學(xué)習(xí)框架36
3.1 PyTorch38
3.1.1 Tensor39
3.1.2 Autograd42
3.1.3 Torch.nn43
3.2 Chainer45
3.2.1 Variable46
3.2.2 Link與Function47
3.2.3 Chain50
3.2.4 optimizers51
3.2.5 損失函數(shù)51
3.2.6 GPU的使用52
3.2.7 模型的保存與加載54
3.2.8 FashionMnist圖像分類(lèi)示例54
3.2.9 Trainer59
3.3 TensorFlow與Keras66
3.3.1 TensorFlow66
3.3.2 Keras67
3.4 MXNet與Gluon73
3.4.1 MXNet73
3.4.2 Gluon74
3.4.3 Gluon Sequential74
3.4.4 Gluon Block75
3.4.5 使用GPU76
3.4.6 Gluon Hybrid77
3.4.7 Lazy Evaluation79
3.4.8 Module80
3.5 其他框架81
3.6 本章總結(jié)81
第4章圖像分類(lèi)82
4.1 VGG84
4.1.1 VGG介紹84
4.1.2 MXNet版VGG使用示例85
4.2 ResNet89
4.2.1 ResNet介紹89
4.2.2 Chainer版ResNet示例90
4.3 Inception95
4.3.1 Inception介紹95
4.3.2 Keras版Inception V3川菜分類(lèi)97
4.4 Xception116
4.4.1 Xception簡(jiǎn)述116
4.4.2 Keras版本Xception使用示例116
4.5 DenseNet122
4.5.1 DenseNet介紹122
4.5.2 PyTorch版DenseNet使用示例122
4.6 本章總結(jié)126
第5章目標(biāo)檢測(cè)與識(shí)別128
5.1 Faster RCNN129
5.1.1 Faster RCNN介紹129
5.1.2 ChainerCV版Faster RCNN示例131
5.2 SSD139
5.2.1 SSD介紹139
5.2.2 SSD示例140
5.3 YOLO148
5.3.1 YOLO V1、V2和V3介紹148
5.3.2 Keras版本YOLO V3示例150
5.4 本章總結(jié)157
第6章圖像分割158
6.1 物體分割159
6.2 語(yǔ)義分割164
6.2.1 FCN與SegNet166
6.2.2 PSPNet171
6.2.3 DeepLab172
6.3 實(shí)例分割176
6.3.1 FCIS177
6.3.2 Mask R-CNN178
6.3.3 MaskLab180
6.3.4 PANet181
6.4 本章總結(jié)181
第7章圖像搜索183
7.1 Siamese Network185
7.2 Triplet Network186
7.3 Margin Based Network188
7.4 Keras版Triplet Network示例190
7.4.1 準(zhǔn)備數(shù)據(jù)190
7.4.2 訓(xùn)練文件191
7.4.3 采樣文件195
7.4.4 模型訓(xùn)練202
7.4.5 模型測(cè)試206
7.4.5 結(jié)果可視化210
7.5 本章小結(jié)216
第8章圖像生成218
8.1 VAE219
8.1.1 VAE介紹219
8.1.2 Chainer版本VAE示例220
8.2 生成對(duì)抗網(wǎng)絡(luò)GAN221
8.2.1 GAN介紹221
8.2.2 Chainer DCGAN RPG游戲角色生成示例229
8.3 Neural Style Transfer238
8.3.1 Neural Style Transfer介紹238
8.3.2 MXNet多風(fēng)格轉(zhuǎn)換MSG-Net示例241
8.4 本章總結(jié)246
后記247