幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

深度學習之圖像識別(核心技術與案例實戰)

  • 作者：言有三
  • 出版社：機械工業
  • ISBN：9787111624721
  • 出版日期：2019/05/01
  • 裝幀：平裝
  • 頁數：267
人民幣：RMB 79 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書全面介紹了深度學習在圖像處理領域中的核心技術與應用。書中不但重視基礎理論的講解，而且從第4章開始的每章都提供了一到兩個不同難度的案例供讀者實踐，讀者可以在已有代碼的基礎上進行修改和改進，從而加深對所學知識的理解。
    本書共10章，首先從深度學習的基礎概念開始，介紹了神經網路的基礎知識和深度學習中的優化技術；然後系統地介紹了深度學習中與數據相關的知識，包括經典數據集的設計、數據集的增強以及數據的獲取與整理；接著重點針對圖像開發領域，用3童內容系統地介紹了深度學習在圖像分類、圖像分割和目標檢測3個領域的核心技術與應用，這些內容的講解均結合實戰案例展開；另外，還對深度學習中損失函數的發展、數據和模型的可視化以及模型的壓縮和優化進行了詳細介紹，為讀者設計和訓練更加實用的模型提供了指導；最後以微信小程序平台為依托，介紹了微信小程序前後端開發技術，完成了深度學習的模型部署，讓本書的內容形成了一個完整的閉環。
    本書理論與實踐結合，深度與廣度兼具，特別適合深度學習領域的相關技術人員與愛好者閱讀，尤其適合基於深度學習的圖像從業人員閱讀，以全方位了解深度學習在圖像領域中的技術全貌。另外，本書還適合作為相關培訓機構的深度學習教材使用。
作者介紹
言有三
    言有三，真名龍鵬。2012年本科畢業於華中科技大學，后保研至中國科學院並於2015年畢業。先後在奇虎360人工智慧研究院和陌陌深度學習實驗室從事與電腦視覺相關的工作，積累了豐富的傳統圖像處理演算法和深度學習項目實戰經驗。運營微信公眾號「有三AI」，內容覆蓋深度學習的理論、實戰經驗、開源框架、模型架構，以及深度學習在各應用領域的技術分析，還提供國內外AI研究院的核心技術報導及AI工程師成長路線的完整規劃。在知乎上開設專欄《有三AI學院》和其他子方向專欄。在GitChat和網易雲課堂上開設若干圖文和視頻課程。
目錄
前言
第1章  神經網路基礎
  1.1  神經網路的生物基礎與數學模型
    1.1.1  神經元
    1.1.2  感知機
    1.1.3  BP演算法
  1.2  卷積神經網路基礎
    1.2.1  卷積神經網路的基本結構
    1.2.2  卷積與權值共享
    1.2.3  感受野與池化
第2章  深度學習優化基礎
  2.1  深度學習主流開源框架
    2.1.1  Caffe簡介
    2.1.2  TensorFlow簡介
    2.1.3  PyTorch簡介
    2.1.4  Theano簡介
    2.1.5  Keras簡介
    2.1.6  MXNet簡介
    2.1.7  Chainer簡介
  2.2  網路優化參數
    2.2.1  常用激活函數
    2.2.2  參數初始化方法
    2.2.3  最優化方法
    2.2.4  歸一化方法
    2.2.5  正則化方法
第3章  深度學習中的數據
  3.1  深度學習通用數據集的發展
    3.1.1  MNIST數據集
    3.1.2  CIFAR10和CIFAR100數據集
    3.1.3  PASCAL數據集
    3.1.4  ImageNet數據集
    3.1.5  Microsoft COCO數據集
  3.2  常見的電腦視覺任務數據集
    3.2.1  人臉數據集
    3.2.2  自動駕駛數據集
    3.2.3  醫學數據集
  3.3  數據增強
    3.3.1  有監督數據增強
    3.3.2  無監督數據增強
  3.4  數據的收集與標注
    3.4.1  數據收集
    3.4.2  數據標注
    3.4.3  數據清洗與整理
第4章  圖像分類
  4.1  圖像分類基礎
    4.1.1  圖像分類問題
    4.1.2  深度學習圖像分類發展簡史
    4.1.3  評測指標與優化目標
    4.1.4  圖像分類的挑戰
  4.2  移動端實時表情分類實戰

    4.2.1  項目背景
    4.2.2  數據預處理
    4.2.3  項目方案
    4.2.4  模型訓練與測試
    4.2.5  項目總結
  4.3  細粒度圖像分類實戰
    4.3.1  項目背景
    4.3.2  項目方案
    4.3.3  模型訓練與測試
    4.3.4  參數調試
    4.3.5  項目總結
第5章  圖像分割
  5.1  傳統圖像分割方法
    5.1.1  閾值法
    5.1.2  區域生長法與超像素
    5.1.3  圖切割
    5.1.4  活動輪廓模型
  5.2  深度學習圖像分割
    5.2.1  基本流程
    5.2.2  反卷積
    5.2.3  多尺度與感受野
    5.2.4  CRF方法
    5.2.5  Image Matting與圖像融合
  5.3  移動端實時圖像分割項目
    5.3.1  項目背景
    5.3.2  項目方案
    5.3.3  模型訓練與總結
  5.4  一個實時肖像換背景項目
    5.4.1  項目背景
    5.4.2  項目方案
    5.4.3  模型訓練與測試
    5.4.4  項目總結
第6章  目標檢測
  6.1  目標檢測基礎
    6.1.1  檢測窗口選擇
    6.1.2  特徵提取
    6.1.3  分類器
    6.1.4  V-J人臉檢測演算法
  6.2  深度學習目標檢測方法
    6.2.1  Selective search與R-CNN
    6.2.2  RoI Pooling與SPPNet
    6.2.3  Fast R-CNN與Faster R-CNN
    6.2.4  YOLO方法
    6.2.5  SSD方法
    6.2.6  目標檢測中的關鍵技術
  6.3  實戰Faster-R-CNN目標檢測
    6.3.1  項目背景
    6.3.2  py-faster-rcnn框架解讀
    6.3.3  模型定義與分析
    6.3.4  模型訓練與測試

    6.3.5  項目總結
第7章  數據與模型可視化
  7.1  數據可視化
    7.1.1  低維數據可視化
    7.1.2  高維數據可視化
  7.2  模型可視化
    7.2.1  模型結構可視化
    7.2.2  模型權重可視化
    7.2.3  特徵圖可視化
  7.3  可視化案例
    7.3.1  項目背景
    7.3.2  數據介面定義
    7.3.3  網路結構定義
    7.3.4  可視化代碼添加
    7.3.5  可視化訓練指標
第8章  模型壓縮
  8.1  模型壓縮方法
    8.1.1  模型設計壓縮
    8.1.2  網路剪枝與量化
    8.1.3  張量分解
    8.1.4  模型蒸餾與遷移學習
  8.2  模型壓縮實戰
    8.2.1  網路分析
    8.2.2  輸入尺度和第一層卷積設計
    8.2.3  網路寬度與深度壓縮
    8.2.4  彌補通道損失
    8.2.5  總結
第9章  損失函數
  9.1  分類任務損失
    9.1.1  什麼是0-1 loss
    9.1.2  熵與交叉熵loss
    9.1.3  softmax loss及其變種
    9.1.4  KL散度
    9.1.5  Hinge loss簡介
    9.1.6  Exponential loss與Logistic loss
    9.1.7  多標籤分類任務loss
  9.2  回歸任務損失
    9.2.1  L1 loss與L2 loss
    9.2.2  L1 loss與L2 loss的改進
  9.3  常見圖像任務與loss使用
    9.3.1  圖像基礎任務
    9.3.2  風格化與圖像複原，超分辨重建
    9.3.3  生成對抗網路
    9.3.4  總結
第10章  模型部署與上線
  10.1  微信小程序前端開發
    10.1.1  小程序的技術特點與定位
    10.1.2  Web前端基礎
    10.1.3  小程序開發工具
    10.1.4  小程序前端目錄

    10.1.5  小程序前端開發
  10.2  微信小程序服務端開發
    10.2.1  域名註冊與管理
    10.2.2  服務端框架簡介
    10.2.3  演算法搭建與實現
  10.3  Caffe環境配置
    10.3.1  依賴庫安裝
    10.3.2  Caffe編譯安裝

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032