深度學(xué)習(xí)與目標(biāo)檢測(cè)：工具、原理與算法

定　價(jià)：￥89.00

作　者：	涂銘，金智勇著
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：	智能系統(tǒng)與技術(shù)叢書
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787111690344	出版時(shí)間：	2021-09-01	包裝：	平裝
開本：	16開	頁數(shù)：	236	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　這是一本從工具、原理、算法3個(gè)維度指導(dǎo)讀者零基礎(chǔ)快速掌握目標(biāo)檢測(cè)技術(shù)及其應(yīng)用的入門書。兩位作者是資深的AI技術(shù)專家和計(jì)算機(jī)視覺算法專家，在阿里、騰訊、百度、三星等大企業(yè)從事計(jì)算機(jī)視覺相關(guān)的工作多年，不僅理論功底扎實(shí)、實(shí)踐經(jīng)驗(yàn)豐富，而且知道初學(xué)者進(jìn)入計(jì)算機(jī)視覺領(lǐng)域的痛點(diǎn)和難點(diǎn)。據(jù)此，兩位作者編寫了這本針對(duì)目標(biāo)檢測(cè)初學(xué)者的入門書，希望從知識(shí)體系和工程實(shí)踐的角度幫助讀者少走彎路。第1~2章是目標(biāo)檢測(cè)的準(zhǔn)備工作，主要介紹了目標(biāo)檢測(cè)的常識(shí)、深度學(xué)習(xí)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(biāo)檢測(cè)的技術(shù)基礎(chǔ)，主要講解了數(shù)據(jù)預(yù)處理和卷積神經(jīng)網(wǎng)絡(luò)等圖像分類技術(shù)的基礎(chǔ)知識(shí)。第6章比較詳細(xì)地介紹了香港中文大學(xué)的開源算法庫mmdetection。第7~10章詳細(xì)地講解了目標(biāo)檢測(cè)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(jiǎn)單介紹了目標(biāo)檢測(cè)的相關(guān)案例（以工業(yè)為背景），以幫助讀者構(gòu)建一個(gè)更完整的知識(shí)體系。

作者簡(jiǎn)介

　　涂銘資深數(shù)據(jù)架構(gòu)師和人工智能技術(shù)專家，現(xiàn)就職于騰訊，曾就職于阿里。對(duì)大數(shù)據(jù)、自然語言處理、圖像識(shí)別、Python、Java等相關(guān)技術(shù)有深入的研究，積累了豐富的實(shí)踐經(jīng)驗(yàn)。在工業(yè)領(lǐng)域曾參與了燃煤優(yōu)化、設(shè)備故障診斷以及正泰光伏電池片和組件EL圖像檢測(cè)項(xiàng)目；在自然語言處理方面，曾擔(dān)任導(dǎo)購機(jī)器人項(xiàng)目的架構(gòu)師，主導(dǎo)開發(fā)機(jī)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(xiàng)目中構(gòu)建了NoSQL+文本檢索等大數(shù)據(jù)架構(gòu)，同時(shí)負(fù)責(zé)問答對(duì)的整理和商品屬性的提取，帶領(lǐng)NLP團(tuán)隊(duì)構(gòu)建了語義解析層。合著有暢銷書《Python自然語言處理實(shí)戰(zhàn)：核心技術(shù)與算法》《深度學(xué)習(xí)與圖像識(shí)別：原理與實(shí)踐》《會(huì)話式AI：自然語言處理與人機(jī)交互》。金智勇計(jì)算機(jī)視覺算法專家，在計(jì)算機(jī)視覺領(lǐng)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(shù)企業(yè)。業(yè)務(wù)領(lǐng)域涵蓋增強(qiáng)現(xiàn)實(shí)、人臉識(shí)別、圖像美化、智能交通、工業(yè)質(zhì)檢等多個(gè)方向，具有豐富的算法研究與落地經(jīng)驗(yàn)。

圖書目錄

前言
第1章　目標(biāo)檢測(cè)概述 1
1.1　什么是目標(biāo)檢測(cè) 1
1.2　典型的應(yīng)用場(chǎng)景 2
1.2.1　人臉識(shí)別 2
1.2.2　智慧交通 2
1.2.3　工業(yè)檢測(cè) 3
1.3　目標(biāo)檢測(cè)技術(shù)發(fā)展簡(jiǎn)史 3
1.3.1　傳統(tǒng)算法 4
1.3.2　深度學(xué)習(xí)算法 5
1.4　目標(biāo)檢測(cè)領(lǐng)域重要的公開評(píng)測(cè)集 8
1.5　本章小結(jié) 11
第2章　目標(biāo)檢測(cè)前置技術(shù) 12
2.1　深度學(xué)習(xí)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(yùn)算 29
2.3.7　數(shù)據(jù)類型轉(zhuǎn)換 31
2.3.8　NumPy的統(tǒng)計(jì)計(jì)算方法 31
2.3.9　NumPy中的arg運(yùn)算 32
2.3.10　FancyIndexing 33
2.3.11　NumPy數(shù)組比較 33
2.4　本章小結(jié) 35
第3章　卷積神經(jīng)網(wǎng)絡(luò) 36
3.1　卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 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(yùn)算 44
3.1.5　批規(guī)范化層 45
3.1.6　Dropout層 47
3.2　本章小結(jié) 48
第4章　數(shù)據(jù)預(yù)處理 49
4.1　數(shù)據(jù)增強(qiáng) 49
4.1.1　resize操作 50
4.1.2　crop操作 51
4.1.3　隨機(jī)的水平和豎直翻轉(zhuǎn) 52
4.1.4　隨機(jī)角度的旋轉(zhuǎn) 53
4.1.5　亮度、對(duì)比度和顏色的隨機(jī)變化 54
4.1.6　彩色圖轉(zhuǎn)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(jié) 64
第5章　常見卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 65
5.1　LeNet神經(jīng)網(wǎng)絡(luò) 65
5.2　AlexNet神經(jīng)網(wǎng)絡(luò) 70
5.3　VGGNet神經(jīng)網(wǎng)絡(luò) 77
5.4　GoogLeNet神經(jīng)網(wǎng)絡(luò) 81
5.4.1　inception模塊 83
5.4.2　GoogLeNet的實(shí)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(luò)結(jié)構(gòu) 95
5.8　實(shí)戰(zhàn)案例 96
5.9　計(jì)算圖像數(shù)據(jù)集的RGB均值和方差 98
5.10　本章小結(jié) 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(cè)框架和算法實(shí)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(yù)訓(xùn)練模型進(jìn)行推理 103
6.4.2　訓(xùn)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(biāo)注圖像 110
6.6　實(shí)戰(zhàn)案例 112
6.6.1　檢測(cè)人體 113
6.6.2　檢測(cè)貓和狗 115
6.7　本章小結(jié) 120
第7章　目標(biāo)檢測(cè)的基本概念 121
7.1　概念詳解 121
7.1.1　IoU計(jì)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(píng)價(jià)指標(biāo)mAP 129
7.2　本章小結(jié) 131
第8章　兩階段檢測(cè)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(cè)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(luò)訓(xùn)練 141
8.2.3　測(cè)試過程 142
8.3　Fast R-CNN算法及訓(xùn)練過程 143
8.3.1　ROI池化層 144
8.3.2　模型訓(xùn)練 144
8.3.3　測(cè)試過程 147
8.4　Faster R-CNN算法及訓(xùn)練過程 147
8.4.1　候選框提取網(wǎng)絡(luò) 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(jié)構(gòu) 153
8.5.2　數(shù)據(jù)加載 158
8.5.3　構(gòu)建主干網(wǎng)絡(luò) 160
8.5.4　候選框提取網(wǎng)絡(luò) 161
8.5.5　對(duì)候選框進(jìn)行分類和位置校正 163
8.5.6　算法模型架構(gòu)圖 165
8.6　本章小結(jié) 165
第9章　檢測(cè)算法的進(jìn)一步改進(jìn) 167
9.1　特征金字塔 167
9.1.1　特征金字塔結(jié)構(gòu) 167
9.1.2　FPN代碼解析 170
9.2　焦點(diǎn)損失函數(shù) 174
9.3　本章小結(jié) 175
第10章　一階段檢測(cè)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(xùn)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(jié) 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(yīng)用 219
11.2.1　工業(yè)AI的典型場(chǎng)景 220
11.2.2　工業(yè)AI落地背后的本質(zhì) 221
11.2.3　展望 221
11.3　工業(yè)生產(chǎn)