深度學習與目標檢測：工具、原理與算法

定　價：￥89.00

作　者：	涂銘，金智勇著
出版社：	機械工業(yè)出版社
叢編項：	智能系統(tǒng)與技術叢書
標　簽：	暫缺

購買這本書可以去

ISBN：	9787111690344	出版時間：	2021-09-01	包裝：	平裝
開本：	16開	頁數(shù)：	236	字數(shù)：

內(nèi)容簡介

　　這是一本從工具、原理、算法3個維度指導讀者零基礎快速掌握目標檢測技術及其應用的入門書。兩位作者是資深的AI技術專家和計算機視覺算法專家，在阿里、騰訊、百度、三星等大企業(yè)從事計算機視覺相關的工作多年，不僅理論功底扎實、實踐經(jīng)驗豐富，而且知道初學者進入計算機視覺領域的痛點和難點。據(jù)此，兩位作者編寫了這本針對目標檢測初學者的入門書，希望從知識體系和工程實踐的角度幫助讀者少走彎路。第1~2章是目標檢測的準備工作，主要介紹了目標檢測的常識、深度學習框架的選型、開發(fā)環(huán)境的搭建以及數(shù)據(jù)處理工具的使用。第3~5章是目標檢測的技術基礎，主要講解了數(shù)據(jù)預處理和卷積神經(jīng)網(wǎng)絡等圖像分類技術的基礎知識。第6章比較詳細地介紹了香港中文大學的開源算法庫mmdetection。第7~10章詳細地講解了目標檢測的概念、原理、一階段算法、二階段算法以及提升算法性能的常用方法。第11章簡單介紹了目標檢測的相關案例（以工業(yè)為背景），以幫助讀者構建一個更完整的知識體系。

作者簡介

　　涂銘資深數(shù)據(jù)架構師和人工智能技術專家，現(xiàn)就職于騰訊，曾就職于阿里。對大數(shù)據(jù)、自然語言處理、圖像識別、Python、Java等相關技術有深入的研究，積累了豐富的實踐經(jīng)驗。在工業(yè)領域曾參與了燃煤優(yōu)化、設備故障診斷以及正泰光伏電池片和組件EL圖像檢測項目；在自然語言處理方面，曾擔任導購機器人項目的架構師，主導開發(fā)機器人的語義理解、短文本相似度匹配、上下文理解，以及通過自然語言檢索產(chǎn)品庫，在項目中構建了NoSQL+文本檢索等大數(shù)據(jù)架構，同時負責問答對的整理和商品屬性的提取，帶領NLP團隊構建了語義解析層。合著有暢銷書《Python自然語言處理實戰(zhàn)：核心技術與算法》《深度學習與圖像識別：原理與實踐》《會話式AI：自然語言處理與人機交互》。金智勇計算機視覺算法專家，在計算機視覺領域深耕12年?，F(xiàn)就職于百度，曾就職于阿里和三星等知名高新技術企業(yè)。業(yè)務領域涵蓋增強現(xiàn)實、人臉識別、圖像美化、智能交通、工業(yè)質檢等多個方向，具有豐富的算法研究與落地經(jīng)驗。

圖書目錄

前言
第1章　目標檢測概述 1
1.1　什么是目標檢測 1
1.2　典型的應用場景 2
1.2.1　人臉識別 2
1.2.2　智慧交通 2
1.2.3　工業(yè)檢測 3
1.3　目標檢測技術發(fā)展簡史 3
1.3.1　傳統(tǒng)算法 4
1.3.2　深度學習算法 5
1.4　目標檢測領域重要的公開評測集 8
1.5　本章小結 11
第2章　目標檢測前置技術 12
2.1　深度學習框架 12
2.1.1　Theano 12
2.1.2　TensorFlow 13
2.1.3　MXNet 14
2.1.4　Keras 15
2.1.5　PyTorch 15
2.1.6　Caffe 16
2.2　搭建開發(fā)環(huán)境 17
2.2.1　Anaconda 17
2.2.2　Conda 19
2.2.3　PyTorch的下載與安裝 21
2.3　NumPy使用詳解 22
2.3.1　創(chuàng)建數(shù)組 22
2.3.2　創(chuàng)建NumPy數(shù)組 24
2.3.3　獲取NumPy屬性 27
2.3.4　NumPy數(shù)組索引 28
2.3.5　切片 28
2.3.6　NumPy中的矩陣運算 29
2.3.7　數(shù)據(jù)類型轉換 31
2.3.8　NumPy的統(tǒng)計計算方法 31
2.3.9　NumPy中的arg運算 32
2.3.10　FancyIndexing 33
2.3.11　NumPy數(shù)組比較 33
2.4　本章小結 35
第3章　卷積神經(jīng)網(wǎng)絡 36
3.1　卷積神經(jīng)網(wǎng)絡基礎 36
3.1.1　全連接層 36
3.1.2　卷積層 37
3.1.3　池化層 42
3.1.4　三維數(shù)據(jù)的卷積運算 44
3.1.5　批規(guī)范化層 45
3.1.6　Dropout層 47
3.2　本章小結 48
第4章　數(shù)據(jù)預處理 49
4.1　數(shù)據(jù)增強 49
4.1.1　resize操作 50
4.1.2　crop操作 51
4.1.3　隨機的水平和豎直翻轉 52
4.1.4　隨機角度的旋轉 53
4.1.5　亮度、對比度和顏色的隨機變化 54
4.1.6　彩色圖轉灰度圖 55
4.2　數(shù)據(jù)的探索—Kaggle貓狗大戰(zhàn) 56
4.3　本章小結 64
第5章　常見卷積神經(jīng)網(wǎng)絡結構 65
5.1　LeNet神經(jīng)網(wǎng)絡 65
5.2　AlexNet神經(jīng)網(wǎng)絡 70
5.3　VGGNet神經(jīng)網(wǎng)絡 77
5.4　GoogLeNet神經(jīng)網(wǎng)絡 81
5.4.1　inception模塊 83
5.4.2　GoogLeNet的實現(xiàn) 85
5.4.3　GoogLeNet的演變 88
5.5　ResNet 89
5.5.1　殘差模塊 90
5.5.2　ResNet模型 92
5.6　DenseNet 92
5.7　其他網(wǎng)絡結構 95
5.8　實戰(zhàn)案例 96
5.9　計算圖像數(shù)據(jù)集的RGB均值和方差 98
5.10　本章小結 99
第6章　mmdetection工具包介紹 100
6.1　mmdetection概要 100
6.2　mmdetection支持的檢測框架和算法實現(xiàn) 101
6.3　搭建mmdetection開發(fā)環(huán)境 102
6.4　使用入門 103
6.4.1　使用預訓練模型進行推理 103
6.4.2　訓練模型 105
6.4.3　有用的工具 106
6.4.4　如何使用mmdetection 108
6.5　標注圖像 110
6.6　實戰(zhàn)案例 112
6.6.1　檢測人體 113
6.6.2　檢測貓和狗 115
6.7　本章小結 120
第7章　目標檢測的基本概念 121
7.1　概念詳解 121
7.1.1　IoU計算 122
7.1.2　NMS操作 122
7.1.3　感受野 124
7.1.4　空洞卷積 128
7.1.5　評價指標mAP 129
7.2　本章小結 131
第8章　兩階段檢測方法 132
8.1　R-CNN算法 132
8.1.1　生成候選區(qū)域 132
8.1.2　類別判定 133
8.1.3　位置修正 136
8.1.4　檢測過程 137
8.1.5　R-CNN算法的重要意義 138
8.2　SPP-Net算法 139
8.2.1　空間金字塔采樣 139
8.2.2　網(wǎng)絡訓練 141
8.2.3　測試過程 142
8.3　Fast R-CNN算法及訓練過程 143
8.3.1　ROI池化層 144
8.3.2　模型訓練 144
8.3.3　測試過程 147
8.4　Faster R-CNN算法及訓練過程 147
8.4.1　候選框提取網(wǎng)絡 148
8.4.2　RPN和Fast R-CNN共享特征的方法 152
8.5　Faster R-CNN代碼解析 153
8.5.1　代碼整體結構 153
8.5.2　數(shù)據(jù)加載 158
8.5.3　構建主干網(wǎng)絡 160
8.5.4　候選框提取網(wǎng)絡 161
8.5.5　對候選框進行分類和位置校正 163
8.5.6　算法模型架構圖 165
8.6　本章小結 165
第9章　檢測算法的進一步改進 167
9.1　特征金字塔 167
9.1.1　特征金字塔結構 167
9.1.2　FPN代碼解析 170
9.2　焦點損失函數(shù) 174
9.3　本章小結 175
第10章　一階段檢測算法 176
10.1　YOLO算法 176
10.1.1　YOLO第一版 176
10.1.2　YOLO第二版 182
10.1.3　YOLO第三版 185
10.2　SSD算法 196
10.2.1　SSD算法原理 197
10.2.2　訓練方法 197
10.2.3　SSD代碼解析 201
10.3　FCOS算法 208
10.3.1　FCOS算法原理 208
10.3.2　FCOS源碼解析 213
10.4　本章小結 217
第11章　工業(yè)AI的發(fā)展 218
11.1　工業(yè)AI的概念和互聯(lián)網(wǎng) 218
11.2　工業(yè)AI落地應用 219
11.2.1　工業(yè)AI的典型場景 220
11.2.2　工業(yè)AI落地背后的本質 221
11.2.3　展望 221
11.3　工業(yè)生產(chǎn)