深度学习与目标检测：工具、原理与算法

图书标准信息

• 作者 涂铭；金智勇
• 出版社 机械工业出版社
• 出版时间 2021-09
• 版次 1
• ISBN 9787111690344
• 定价 89.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 字数 109千字

【内容简介】

内容简介
  这是一本从工具、原理、算法3个维度指导读者零基础快速掌握目标检测技术及其应用的入门书。
  两位作者是资深的AI技术专家和计算机视觉算法专家，在阿里、腾讯、百度、三星等大企业从事计算机视觉相关的工作多年，不仅理论功底扎实、实践经验丰富，而且知道初学者进入计算机视觉领域的痛点和难点。据此，两位作者编写了这本针对目标检测初学者的入门书，希望从知识体系和工程实践的角度帮助读者少走弯路。
  第1~2章是目标检测的准备工作，主要介绍了目标检测的常识、深度学习框架的选型、开发环境的搭建以及数据处理工具的使用。
  第3~5章是目标检测的技术基础，主要讲解了数据预处理和卷积神经网络等图像分类技术的基础知识。
  第6章比较详细地介绍了香港中文大学的开源算法库mmdetection。
  第7~10章详细地讲解了目标检测的概念、原理、一阶段算法、二阶段算法以及提升算法性能的常用方法。
  第11章简单介绍了目标检测的相关案例（以工业为背景），以帮助读者构建一个更完整的知识体系。

【作者简介】

作者简介

涂铭

?   资深数据架构师和人工智能技术专家，现就职于腾讯，曾就职于阿里。对大数据、自然语言处理、图像识别、Python、Java等相关技术有深入的研究，积累了丰富的实践经验。

?   在工业领域曾参与了燃煤优化、设备故障诊断以及正泰光伏电池片和组件EL图像检测项目；在自然语言处理方面，曾担任导购机器人项目的架构师，主导开发机器人的语义理解、短文本相似度匹配、上下文理解，以及通过自然语言检索产品库，在项目中构建了NoSQL+文本检索等大数据架构，同时负责问答对的整理和商品属性的提取，带领NLP团队构建了语义解析层。

?   合著有畅销书《Python自然语言处理实战：核心技术与算法》《深度学习与图像识别：原理与实践》《会话式AI：自然语言处理与人机交互》。

? 金智勇

?   计算机视觉算法专家，在计算机视觉领域深耕12年。现就职于百度，曾就职于阿里和三星等知名高新技术企业。业务领域涵盖增强现实、人脸识别、图像美化、智能交通、工业质检等多个方向，具有丰富的算法研究与落地经验。

【目录】

前言

第1章　目标检测概述  1

1.1　什么是目标检测  1

1.2　典型的应用场景  2

1.2.1　人脸识别  2

1.2.2　智慧交通  2

1.2.3　工业检测  3

1.3　目标检测技术发展简史  3

1.3.1　传统算法  4

1.3.2　深度学习算法  5

1.4　目标检测领域重要的公开评测集  8

1.5　本章小结  11

第2章　目标检测前置技术  12

2.1　深度学习框架  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　搭建开发环境  17

2.2.1　Anaconda  17

2.2.2　Conda  19

2.2.3　PyTorch的下载与安装  21

2.3　NumPy使用详解  22

2.3.1　创建数组  22

2.3.2　创建NumPy数组  24

2.3.3　获取NumPy属性  27

2.3.4　NumPy数组索引  28

2.3.5　切片  28

2.3.6　NumPy中的矩阵运算  29

2.3.7　数据类型转换  31

2.3.8　NumPy的统计计算方法  31

2.3.9　NumPy中的arg运算  32

2.3.10　FancyIndexing  33

2.3.11　NumPy数组比较  33

2.4　本章小结  35

第3章　卷积神经网络  36

3.1　卷积神经网络基础  36

3.1.1　全连接层  36

3.1.2　卷积层  37

3.1.3　池化层  42

3.1.4　三维数据的卷积运算  44

3.1.5　批规范化层  45

3.1.6　Dropout层  47

3.2　本章小结  48

第4章　数据预处理  49

4.1　数据增强  49

4.1.1　resize操作  50

4.1.2　crop操作  51

4.1.3　随机的水平和竖直翻转  52

4.1.4　随机角度的旋转  53

4.1.5　亮度、对比度和颜色的随机变化  54

4.1.6　彩色图转灰度图  55

4.2　数据的探索—Kaggle猫狗大战  56

4.3　本章小结  64

第5章　常见卷积神经网络结构  65

5.1　LeNet神经网络  65

5.2　AlexNet神经网络  70

5.3　VGGNet神经网络  77

5.4　GoogLeNet神经网络  81

5.4.1　inception模块  83

5.4.2　GoogLeNet的实现  85

5.4.3　GoogLeNet的演变  88

5.5　ResNet  89

5.5.1　残差模块  90

5.5.2　ResNet模型  92

5.6　DenseNet  92

5.7　其他网络结构  95

5.8　实战案例  96

5.9　计算图像数据集的RGB均值和方差  98

5.10　本章小结  99

第6章　mmdetection工具包介绍  100

6.1　mmdetection概要  100

6.2　mmdetection支持的检测框架和算法实现  101

6.3　搭建mmdetection开发环境  102

6.4　使用入门  103

6.4.1　使用预训练模型进行推理  103

6.4.2　训练模型  105

6.4.3　有用的工具  106

6.4.4　如何使用mmdetection  108

6.5　标注图像  110

6.6　实战案例  112

6.6.1　检测人体  113

6.6.2　检测猫和狗  115

6.7　本章小结  120

第7章　目标检测的基本概念  121

7.1　概念详解  121

7.1.1　IoU计算  122

7.1.2　NMS操作  122

7.1.3　感受野  124

7.1.4　空洞卷积  128

7.1.5　评价指标mAP  129

7.2　本章小结  131

第8章　两阶段检测方法  132

8.1　R-CNN算法  132

8.1.1　生成候选区域  132

8.1.2　类别判定  133

8.1.3　位置修正  136

8.1.4　检测过程  137

8.1.5　R-CNN算法的重要意义  138

8.2　SPP-Net算法  139

8.2.1　空间金字塔采样  139

8.2.2　网络训练  141

8.2.3　测试过程  142

8.3　Fast R-CNN算法及训练过程  143

8.3.1　ROI池化层  144

8.3.2　模型训练  144

8.3.3　测试过程  147

8.4　Faster R-CNN算法及训练过程  147

8.4.1　候选框提取网络  148

8.4.2　RPN和Fast R-CNN共享特征的方法  152

8.5　Faster R-CNN代码解析  153

8.5.1　代码整体结构  153

8.5.2　数据加载  158

8.5.3　构建主干网络  160

8.5.4　候选框提取网络  161

8.5.5　对候选框进行分类和位置校正  163

8.5.6　算法模型架构图  165

8.6　本章小结  165

第9章　检测算法的进一步改进  167

9.1　特征金字塔  167

9.1.1　特征金字塔结构  167

9.1.2　FPN代码解析  170

9.2　焦点损失函数  174

9.3　本章小结  175

第10章　一阶段检测算法  176

10.1　YOLO算法  176

10.1.1　YOLO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　训练方法  197

10.2.3　SSD代码解析  201

10.3　FCOS算法  208

10.3.1　FCOS算法原理  208

10.3.2　FCOS源码解析  213

10.4　本章小结  217

第11章　工业AI的发展  218

11.1　工业AI的概念和互联网  218

11.2　工业AI落地应用  219

11.2.1　工业AI的典型场景  220

11.2.2　工业AI落地背后的本质  221

11.2.3　展望  221

11.3　工业生产