基于深度学习的目标检测原理与应用

图书标准信息

• 作者 翟中华
• 出版社 电子工业出版社
• 出版时间 2023-08
• 版次 1
• ISBN 9787121460319
• 定价 108.00元
• 装帧 其他
• 开本 16开
• 页数 300页
• 字数 453千字

【内容简介】

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。

【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，获软件设计师国家级证书，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

2.3.1  OpenCV的历史起源24

2.3.2  安装OpenCV24

2.3.3  OpenCV图像和视频的读/写24

2.3.4  OpenCV基本操作28

2.3.5  OpenCV颜色空间转换29

2.3.6  OpenCV几何变换31

2.3.7  OpenCV图像简单阈值处理34

2.3.8  OpenCV形态学转换40

2.3.9  OpenCV图像梯度43

2.4  PyTorch基础46

2.4.1  PyTorch简介46

2.4.2  PyTorch安装47

2.4.3  张量47

2.4.4  基本代码操作49

2.4.5  PIL图像格式转换51

2.4.6  PyTorch自动求导机制52

2.4.7  PyTorch的神经网络nn包55

第3章  OpenCV目标检测实战60

3.1  Haar特征与积分图像构建算法60

3.1.1  Haar特征60

3.1.2  积分图像构建算法65

3.2  AdaBoost应用于Haar人脸特征分类66

3.3  AdaBoost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

5.1  R-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

5.1.3  R-CNN网络架构及训练过程93

5.2  目标检测指标——二分类器97

5.3  R-CNN目标检测模型评估结果100

5.3.1  R-CNN用于细粒度类别检测108

5.3.2  R-CNN用于目标检测与分割109

5.4  R-CNN的缺陷和Fast R-CNN的改进110

5.4.1  R-CNN的缺陷110

5.4.2  感兴趣区域池化111

5.4.3  Fast R-CNN创新损失函数设计113

5.5  Fast R-CNN网络架构和模型评估115

5.5.1  Fast R-CNN模型工作流程115

5.5.2  Fast R-CNN网络架构116

5.5.3  RoI池化反向传播方法116

5.5.4  Fast R-CNN结果评估117

5.6  Fast R-CNN的创新118

5.6.1  Faster R-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Faster R-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

5.8  Faster R-CNN的全景架构和损失函数127

5.9  Faster R-CNN的训练步骤及测试步骤129

5.9.1  Faster R-CNN的训练步骤129

5.9.2  Faster R-CNN的测试步骤131

5.10  详细讲解Faster R-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

6.1  YOLO目标检测思想135

6.1.1  改进思想136

6.1.2  网格单元137

6.1.3  YOLO创新细节138

6.2  YOLO的网络结构、网络与损失函数140

6.2.1  YOLO的网络结构140

6.2.2  YOLO的网络训练与损失函数142

6.3  YOLO模型评估、优劣势分析144

6.3.1  YOLO数据集145

6.3.2  YOLO模型评估145

6.3.3  YOLO模型优缺点146

6.4  YOLOv2实现更好、更快、更强149

6.5  YOLOv2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

6.6  YOLOv2 使用Darknet-19——更快158

6.6.1  Darknet-19158

6.6.2  三阶段训练159

6.6.3  YOLOv2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

7.1  YOLOv3的创新改进170

7.2  YOLOv3的关键创新点171

7.2.1  106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

7.3  YOLOv3的三级检测输出过程179

7.4  YOLOv3的非极大值抑制183

7.5  YOLOv3的检测效果184

7.6  SSD多尺度特征图目标检测思想185

7.7  SSD网络架构191

7.7.1  SSD网络基础架构191

7.7.2  扩张卷积192

7.7.3  SSD与YOLOv3193

7.7.4  SSD网络检测物体方法193

7.8  SSD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

7.9  SSD较YOLOv3的劣势196

第8章  构建Darknet-53网络实践198

8.1  Darknet-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

8.3.2  Darknet-53的模块详解205

8.4  YOLOv3 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

8.5  YOLOv3 演示边框生成过程212

8.6  YOLOv3 处理低阈值边框214

8.6.1  思路讲解215

8.6.2  代码实践215

8.7  YOLOv3 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

8.7.2  NMS后的整理220

8.8  YOLOv3演示NMS过程找到最优框220

8.8.1  运行检测代码演示220

8.8.2  运行结果分析221

8.9  YOLOv3实现工业工具检测224

8.9.1  YOLOv3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

9.1  YOLOv4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

9.1.2  YOLOv4技巧汇总240

9.2  YOLOv4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

9.2.4  CSPDarknet-53网络254

9.2.5  YOLOv4网络全景关系255

9.3  YOLOv4中的激活函数256

9.3.1  各激活函数的比较256

9.3.2  keras实现三种激活函数性能比较260

9.4  YOLOv4中的损失函数C-IoU263

9.4.1  L1和L2损失的缺陷264

9.4.2  IoU和IoU损失264

9.4.3  G-IoU、D-IoU和C-IoU265

9.5  YOLOv4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

10.3  EfficientDet体系结构276

10.3.1  输入图像分辨率缩放276

10.3.2  BiFPN缩放277

10.3.3  框/类预测网络缩放277

10.3.4  主干网277

10.4  EfficientDet推理效果和不足之处279

10.4.1  EfficientDet推理效果279

10.4.2  EfficientDet不足之处282

参考文献284