基于深度学习的目标检测原理与应用
全新正版 假一赔十 可开发票
￥ 66.96 6.2折 ￥ 108 全新
库存6件
北京朝阳
认证卖家担保交易快速发货售后保障
作者翟中华
出版社电子工业出版社
ISBN9787121460319
出版时间2023-08
装帧平装
开本16开
定价108元
货号1203085521
上书时间2024-05-18
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
翟中华，清华大学硕士，曾就职于中国银行总行信息科技部等，2018开始创立AI火箭营，担任北京洪策元创智能科技有限公司CEO，获软件设计师重量证书，在计算机视觉、深度学习、机器学习等方向已有多本著作出版。
目录
第1章计算机视觉及目标检测1
1.1计算机视觉原理1
1.1.1人类视觉与计算机视觉比较1
1.1.2计算机视觉应用展现2
1.2目标检测概述9
1.2.1计算机视觉三大主要任务9
1.2.2目标检测的应用11
1.2.3目标检测面临的挑战12
1.2.4目标检测方法13
第2章计算机视觉数学、编程基础15
2.1向量、矩阵和卷积15
2.1.1向量15
2.1.2矩阵16
2.1.3卷积16
2.2函数极值理论与非极大值抑制18
2.2.1函数极值理论19
2.2.2非极大值抑制21
2.3跨平台计算机视觉和机器学习软件库OpenCV基础24
2.3.1OpenCV的历史起源24
2.3.2安装OpenCV24
2.3.3OpenCV图像和视频的读/写24
2.3.4OpenCV基本操作28
2.3.5OpenCV颜色空间转换29
2.3.6OpenCV几何变换31
2.3.7OpenCV图像简单阈值处理34
2.3.8OpenCV形态学转换40
2.3.9OpenCV图像梯度43
2.4PyTorch基础46
2.4.1PyTorch简介46
2.4.2PyTorch安装47
2.4.3张量47
2.4.4基本代码操作49
2.4.5PIL图像格式转换51
2.4.6PyTorch自动求导机制52
2.4.7PyTorch的神经网络nn包55
第3章OpenCV目标检测实战60
3.1Haar特征与积分图像构建算法60
3.1.1Haar特征60
3.1.2积分图像构建算法65
3.2AdaBoost应用于Haar人脸特征分类66
3.3AdaBoost级联应用于Haar特征人脸检测70
3.4利用OpenCV进行基于Haar特征的人脸检测实战73
第4章深度学习引入及图像分类实战75
4.1卷积神经网络的重要概念75
4.2卷积神经网络训练技巧及经典架构79
4.3设计卷积神经网络进行图像分类82
4.4选择卷积神经网络损失函数及优化器85
4.5改进卷积神经网络以提高图像分类准确率88
第5章目标检测的两阶段深度学习方法90
5.1R-CNN目标检测思想90
5.1.1目标检测数据集91
5.1.2从滑动窗口到选择搜索91
5.1.3R-CNN网络架构及训练过程93
5.2目标检测指标――二分类器97
5.3R-CNN目标检测模型评估结果100
5.3.1R-CNN用于细粒度类别检测108
5.3.2R-CNN用于目标检测与分割109
5.4R-CNN的缺陷和FastR-CNN的改进110
5.4.1R-CNN的缺陷110
5.4.2感兴趣区域池化111
5.4.3FastR-CNN创新损失函数设计113
5.5FastR-CNN网络架构和模型评估115
5.5.1FastR-CNN模型工作流程115
5.5.2FastR-CNN网络架构116
5.5.3RoI池化反向传播方法116
5.5.4FastR-CNN结果评估117
5.6FastR-CNN的创新118
5.6.1FasterR-CNN的创新思想118
5.6.2替代选择搜索的锚框119
5.6.3区域建议网络120
5.7深入剖析FasterR-CNN中边界框回归123
5.7.1为什么使用边界框回归124
5.7.2边界框回归的数学支撑125
5.8FasterR-CNN的全景架构和损失函数127
5.9FasterR-CNN的训练步骤及测试步骤129
5.9.1FasterR-CNN的训练步骤129
5.9.2FasterR-CNN的测试步骤131
5.10详细讲解FasterR-CNN关键部分RoI代码132
第6章目标检测的一阶段学习方法134
6.1YOLO目标检测思想135
6.1.1改进思想136
6.1.2网格单元137
6.1.3YOLO创新细节138
6.2YOLO的网络结构、网络与损失函数140
6.2.1YOLO的网络结构140
6.2.2YOLO的网络训练与损失函数142
6.3YOLO模型评估、优劣势分析144
6.3.1YOLO数据集145
6.3.2YOLO模型评估145
6.3.3YOLO模型优缺点146
6.4YOLOv2实现更好、更快、更强149
6.5YOLOv2改进YOLOv1――更好149
6.5.1批归一化150
6.5.2高分辨率分类器150
6.5.3预设锚框并采用全卷积150
6.5.4框聚类151
6.5.5约束边框位置153
6.5.6细粒度特征154
6.5.7多尺度训练154
6.5.8实验对比156
6.6YOLOv2使用Darknet-19――更快158
6.6.1Darknet-19158
6.6.2三阶段训练159
6.6.3YOLOv2的损失函数161
6.7使用WordTree的YOLO9000――更强164
6.7.1组合两种数据集的必要性164
6.7.2构建WordTree进行分层分类165
6.7.3在组合数据集上训练YOLO9000167
第7章YOLOv3创新思想及整体架构170
7.1YOLOv3的创新改进170
7.2YOLOv3的关键创新点171
7.2.1106层的Darknet-53主干网络架构171
7.2.2三级检测176
7.2.3更擅长检测较小的物体177
7.2.4更多的锚框177
7.2.5损失函数178
7.3YOLOv3的三级检测输出过程179
7.4YOLOv3的非极大值抑制183
7.5YOLOv3的检测效果184
7.6SSD多尺度特征图目标检测思想185
7.7SSD网络架构191
7.7.1SSD网络基础架构191
7.7.2扩张卷积192
7.7.3SSD与YOLOv3193
7.7.4SSD网络检测物体方法193
7.8SSD网络损失函数194
7.8.1默认框匹配策略194
7.8.2损失函数195
7.9SSD较YOLOv3的劣势196
第8章构建Darknet-53网络实践198
8.1Darknet-53网络工程结构和配置198
8.2实践代码200
8.3构建Darknet-53网络前向传递过程203
8.3.1构建Darknet-53的模块203
8.3.2Darknet-53的模块详解205
8.4YOLOv3实现检测层特征图到边界的预测值转变209
8.4.1参数讲解209
8.4.2实现步骤和代码210
8.5YOLOv3演示边框生成过程212
8.6YOLOv3处理低阈值边框214
8.6.1思路讲解215
8.6.2代码实践215
8.7YOLOv3非极大值抑制过程218
8.7.1延续上一节代码讲解NMS过程219
8.7.2NMS后的整理220
8.8YOLOv3演示NMS过程找到很优框220
8.8.1运行检测代码演示220
8.8.2运行结果分析221
8.9YOLOv3实现工业工具检测224
8.9.1YOLOv3工业实践需求分析及目标分析225
8.9.2数据采集标注与数据预处理部分226
8.9.3模型训练部分230
8.9.4模型优化部分239
第9章YOLOv4目标检测方法240
9.1YOLOv4目标检测创新路径及技巧体系240
9.1.1速度与精度双提升240
9.1.2YOLOv4技巧汇总240
9.2YOLOv4大型网络架构及其主要创新改进246
9.2.1空间金字塔结构246
9.2.2路径增强网络247
9.2.3使用YOLOv4的网络详情248
9.2.4CSPDarknet-53网络254
9.2.5YOLOv4网络全景关系255
9.3YOLOv4中的激活函数256
9.3.1各激活函数的比较256
9.3.2keras实现三种激活函数性能比较260
9.4YOLOv4中的损失函数C-IoU263
9.4.1L1和L2损失的缺陷264
9.4.2IoU和IoU损失264
9.4.3G-IoU、D-IoU和C-IoU265
9.5YOLOv4中的新型批标准化268
9.5.1各种批标准化268
9.5.2跨迭代标准化270
第10章EfficientDet目标检测方法272
10.1复合缩放272
10.2双向特征金字塔网络274
10.3EfficientDet体系结构276
10.3.1输入图像分辨率缩放276
10.3.2BiFPN缩放277
10.3.3框/类预测网络缩放277
10.3.4主干网277
10.4EfficientDet推理效果和不足之处279
10.4.1EfficientDet推理效果279
10.4.2EfficientDet不足之处282
参考文献284
内容摘要
本书遵循循序渐进、深入浅出的理念，引领读者夯实相关基础知识，掌握传统目标检测方法，再逐步过渡到深度学习的基本概念及分类用法，进而深入讲解目标检测的两阶段深度学习方法、一阶段学习方法，即从以R-CNN为代表的两阶段深度学习方法、以YOLO系列为代表的一阶段学习方法等，层层揭开深度学习用于目标检测的“神秘面纱”，探究其中的奥秘。
本书适合目标检测领域的工程师、研究员阅读，也可作为深度学习相关专业本科生、研究生的重要参考书，还可作为互联网行业IT技术人员转型学习人工智能的参考用书。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价