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PyTorch物體檢測實戰

  • 作者：編者:董洪義
  • 出版社：機械工業
  • ISBN：9787111641742
  • 出版日期：2020/01/01
  • 裝幀：平裝
  • 頁數：267
人民幣：RMB 89 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書從概念、發展、經典實現方法等幾個方面系統地介紹了物體檢測的相關知識，重點介紹了Faster RCNN、SDD和YOLO這三個經典的檢測器，並利用PyTorch框架從代碼角度進行了細緻講解。另外，本書進一步介紹了物體檢測的輕量化網路、細節處理、難點問題及未來的發展趨勢，從實戰角度給出了多種優秀的解決方法，便於讀者更深入地掌握物體檢測技術，從而做到在實際項目中靈活應用。
    本書共10章，涵蓋的主要內容有物體檢測與PyTorch框架基礎概念與背景知識；PyTorch基礎知識；基礎卷積網路Backbone；兩階經典檢測器Faster RCNN；單階多層檢測器SSD；單階經典檢測器YOL0；模型加速之輕量化網路；物體檢測細節處理；物體檢測難點問題；物體檢測的未來發展。
    本書內容豐富，講解通俗易懂，案例典型，實用性強，特別適合PyTorch框架愛好者和物體檢測相關從業人員閱讀，也適合深度學習和電腦視覺領域的研究人員閱讀。另外，本書還話合作為深度學習培訓機構的教材使用。
作者介紹
編者:董洪義
    董洪義，本科、碩士均畢業於北京航空航天大學。深度學習與PyTorch資深愛好者。現任百度自動駕駛高級演算法工程師。曾擔任Phantom Tiger演算法負責人、地平線智能駕駛部門演算法實習生、北航國際拓展團團長。曾經被評為北京航空航天大學年度人物。曾經獲得了Kaggle競賽銀牌。本科期間成績年級第一，曾前往日本、英國、比利時、荷蘭等國的知名學校訪問交流。研究方向為自動駕駛感知、智能機器人與電腦視覺。有3年以上的深度學習研發經驗。
目錄
前言
第1篇  物體檢測基礎知識
  第1章  淺談物體檢測與PyTorch
    1.1  深度學習與電腦視覺
      1.1.1  發展歷史
      1.1.2  電腦視覺
    1.2  物體檢測技術
      1.2.1  發展歷程
      1.2.2  技術應用領域
      1.2.3  評價指標
    1.3  PyTorch簡介
      1.3.1  誕生與特點
      1.3.2  各大深度學習框架對比
      1.3.3  為什麼選擇PyTorch
      1.3.4  安裝方法
    1.4  基礎知識準備
      1.4.1  Linux基礎
      1.4.2  Python基礎
      l.4.3  高效開發工具
    1.5  總結
  第2章  PyTorch基礎
    2.1  基本數據：Tensor
      2.1.1  Tensor數據類型
      2.1.2  Tensor的創建與維度查看
      2.1.3  Tensor的組合與分塊
      2.1.4  Tensor的索引與變形
      2.1.5  Tensor的排序與取極值
      2.1.6  Tensor的自動廣播機制與向量化
      2.1.7  Tensor的內存共享
    2.2  Autograd與計算圖
      2.2.1  Tensor的自動求導：Autograd
      2.2.2  計算圖
      2.2.3  Autograd注意事項
    2.3  神經網路工具箱torch.nn
      2.3.1  nn.Module類
      2.3.2  損失函數
      2.3.3  優化器nn.optim
    2.4  模型處理
      2.4.1  網路模型庫：torchvision.models
      2.4.2  載入預訓練模型
      2.4.3  模型保存
    2.5  數據處理
      2.5.1  主流公開數據集
      2.5.2  數據載入
      2.5.3  GPU加速
      2.5.4  數據可視化
    2.6  總結
  第3章  網路骨架：Backbone
    3.1  神經網路基本組成
      3.1.1  卷積層

      3.1.2  激活函數層
      3.1.3  池化層
      3.1.4  Dropout層
      3.1.5  BN層
      3.1.6  全連接層
      3.1.7  深入理解感受野
      3.1.8  詳解空洞卷積(Dilated Convolution)
    3.2  走向深度：VGGNet
    3.3  縱橫交錯：Inception
    3.4  里程碑：ResNet
    3.5  繼往開來：DenseNet
    3.6  特徵金字塔：FPN
    3.7  為檢測而生：DetNet
    3.8  總結
第2篇  物體檢測經典框架
  第4章  兩階經典檢測器：Faster RCNN
    4.1  RCNN系列發展歷程
      4.1.1  開山之作：RCNN
      4.1.2  端到端：Fast RCNN
      4.1.3  走向實時：Faster RCNN
    4.2  準備工作
    4.3  Faster RCNN總覽
    4.4  詳解RPN
      4.4.1  理解Anchor
      4.4.2  RPN的真值與預測量
      4.4.3  RPN卷積網路
      4.4.4  RPN真值的求取
      4.4.5  損失函數設計
      4.4.6  NMS與生成Proposal
      4.4.7  篩選Proposal得到RoI
    4.5  RoI Pooling層
    4.6  全連接RCNN模塊
      4.6.1  RCNN全連接網路
      4.6.2  損失函數設計
    4.7  Faster RCNN的改進演算法
      4.7.1  審視Faster RCNN
      4.7.2  特徵融合：HyperNet
      4.7.3  實例分割：Mask RCNN
      4.7.4  全卷積網路：R-FCN
      4.7.5  級聯網路：Cascade RCNN
    4.8  總結
  第5章  單階多層檢測器：SSD
    5.1  SSD總覽
      5.1.1  SSD的演算法流程
      5.1.2  代碼準備工作
    5.2  數據預處理
      5.2.1  載入PASCAL數據集
      5.2.2  數據增強
    5.3  網路架構
      5.3.1  基礎VGG結構

      5.3.2  深度卷積層
      5.3.3  PriorBox與邊框特徵提取網路
      5.3.4  總體網路計算過程
    5.4  匹配與損失求解
      5.4.1  預選框與真實框的匹配
      5.4.2  定位損失的計算
      5.4.3  難樣本挖掘
      5.4.4  類別損失計算
    5.5  SSD的改進演算法
      5.5.1  審視SSD
      5.5.2  特徵融合：DSSD
      5.5.3  彩虹網路：RSSD
      5.5.4  基於SSD的兩階：RefineDet
      5.5.5  多感受野融合：RFBNet
    5.6  總結
  第6章  單階經典檢測器：YOLO
    6.1  無錨框預測：YOL0 v1
      6.1.1  網路結構
      6.1.2  特徵圖的意義
      6.1.3  損失計算
    6.2  依賴錨框：YOL0 v2
      6.2.1  網路結構的改善
      6.2.2  先驗框的設計
      6.2.3  正、負樣本與損失函數
      6.2.4  正、負樣本選取代碼示例
      6.2.5  工程技巧
    6.3  多尺度與特徵融合：YOL0 v3
      6.3.1  新網路結構DarkNet-53
      6.3.2  多尺度預測
      6.3.3  Softmax改為Logistic
    6.4  總結
第3篇  物體檢測的難點與發展
  第7章  模型加速之輕量化網路
    7.1  壓縮再擴展：SqueezeNet
      7.1.1  SqueezeNet網路結構
      7.1.2  SqueezeNet總結
    7.2  深度可分離：MobileNet
      7.2.1  標準卷積
      7.2.2  深度可分離卷積
      7.2.3  MobileNet v1結構
      7.2.4  MobileNet v1總結
      7.2.5  MobileNet v2
    7.3  通道混洗：ShuffleNet
      7.3.1  通道混洗
      7.3.2  網路結構
      7.3.3  ShuffleNet v2
    7.4  總結
  第8章  物體檢測細節處理
    8.1  非極大值抑制：NMS
      8.1.1  NMS基本過程

      8.1.2  抑制得分：Soft NMS
      8.1.3  加權平均：Softer NMS
      8.1.4  定位置信度：IoU-Net
    8.2  樣本不均衡問題
      8.2.1  不均衡問題分析
      8.2.2  在線難樣本挖掘：0HEM
      8.2.3  專註難樣本：Focal Loss
    8.3  模型過擬合
      8.3.1  數據增強
      8.3.2  L1與L2正則化
    8.4  總結
  第9章  物體檢測難點
    9.1  多尺度檢測
      9.1.1  多尺度問題
      9.1.2  降低下採樣率與空洞卷積
      9.1.3  Anchor設計
      9.1.4  多尺度訓練
      9.1.5  特徵融合
      9.1.6  尺度歸一化：SNIP
      9.1.7  三叉戟：TridentNet
    9.2  擁擠與遮擋
      9.2.1  遮擋背景
      9.2.2  排斥損失：Repulsion Loss
      9.2.3  0R-CNN
    9.3  總結
  第10章  物體檢測的未來發展
    10.1  重新思考物體檢測
      10.1.1  精度與速度的權衡
      10.1.2  卷積網路的可解釋性與穩定性
      10.1.3  訓練：微調還是隨機初始化
      10.1.4  考慮物體間關係的檢測
      10.1.5  優化卷積方式
      10.1.6  神經架構搜索：NAS
      10.1.7  與產業結合的創新
    10.2  擺脫錨框：Anchor-Free
      10.2.1  重新思考Anchor
      10.2.2  基於角點的檢測：CornerNet
      10.2.3  檢測中心點：CenterNet
      10.2.4  錨框自學習：Guided Anchoring
    10.3  總結

  • 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