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

深度學習與目標檢測

  • 作者：編者:杜鵬//諶明//蘇統華|責編:潘昕
  • 出版社：電子工業
  • ISBN：9787121367854
  • 出版日期：2020/03/01
  • 裝幀：平裝
  • 頁數：260
人民幣：RMB 89 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書的寫作初衷是，從學者的角度，用一種通俗易懂的方式，把與基於深度學習的目標檢測的相關論文中的理論和方法呈現給讀者，同時針對作者在深度學習教學過程中遇到的難點，進行深入的分析和講解。
    本書側重對卷積神經網路的介紹，而深度學習的內容不止於此。所以，作者將深度學習分為有監督學習、無監督學習和強化學習三類，將圖像分類、目標檢測、語音識別、人臉識別、對抗生成網路和AlphaGo圍棋等應用場景歸入不同的類別，並分別對其原理進行了概括性的講解。
    本書適合有一定深度學習或目標檢測學習基礎的學生、研究者、從業者閱讀。
作者介紹
編者:杜鵬//諶明//蘇統華|責編:潘昕
目錄
基礎篇
  第1章  深度學習概述
    1.1  深度學習發展簡史
    1.2  有監督學習
      1.2.1  圖像分類
      1.2.2  目標檢測
      1.2.3  人臉識別
      1.2.4  語音識別
    1.3  無監督學習
      1.3.1  無監督學習概述
      1.3.2  生成對抗網路
    1.4  強化學習
      1.4.1  AlphaGo
      1.4.2  AlphaGo Zero
    1.5  小結
    參考資料
  第2章  深度神經網路
    2.1  神經元
    2.2  感知機
    2.3  前向傳遞
      2.3.1  前向傳遞的流程
      2.3.2  激活函數
      2.3.3  損失函數
    2.4  後向傳遞
      2.4.1  後向傳遞的流程
      2.4.2  梯度下降
      2.4.3  參數修正
    2.5  防止過擬合
      2.5.1  dropout
      2.5.2  正則化
    2.6  小結
  第3章  卷積神經網路
    3.1  卷積層
      3.1.1  valid卷積
      3.1.2  full卷積
      3.1.3  same卷積
    3.2  池化層
    3.3  反卷積
    3.4  感受野
    3.5  卷積神經網路實例
      3.5.1  LeNet-5
      3.5.2  AlexNet
      3.5.3  VGGNet
      3.5.4  GoogLeNet
      3.5.5  ResNet
      3.5.6  MobileNet
    3.6  小結
進階篇
  第4章  兩階段目標檢測方法
    4.1  R-CNN

      4.1.1  演算法流程
      4.1.2  訓練過程
    4.2  SPP-Net
      4.2.1  網路結構
      4.2.2  空間金字塔池化
    4.3  Fast R-CNN
      4.3.1  感興趣區域池化層
      4.3.2  網路結構
      4.3.3  全連接層計算加速
      4.3.4  目標分類
      4.3.5  邊界框回歸
      4.3.6  訓練過程
    4.4  Faster R-CNN
      4.4.1  網路結構
      4.4.2  RPN
      4.4.3  訓練過程
    4.5  R-FCN
      4.5.1  R-FCN網路結構
      4.5.2  位置敏感的分數圖
      4.5.3  位置敏感的RoI池化
      4.5.4  R-FCN損失函數
      4.5.5  Caffe網路模型解析
      4.5.6  U-Net
      4.5.7  SegNet
    4.6  Mask R-CNN
      4.6.1  實例分割簡介
      4.6.2  COCO數據集的像素級標注
      4.6.3  網路結構
    4.7  小結
    參考資料
  第5章  單階段目標檢測方法
    5.1  SSD
      5.1.1  default box
      5.1.2  網路結構
      5.1.3  Caffe網路模型解析
      5.1.4  訓練過程
    5.2  RetinaNet
      5.2.1  FPN
      5.2.2  聚焦損失函數
    5.3  RefineDet
      5.3.1  網路模型
      5.3.2  Caffe網路模型解析
      5.3.3  訓練過程
    5.4  YOLO
      5.4.1  YOLO v1
      5.4.2  YOLO v2
      5.4.3  YOLO v3
    5.5  目標檢測演算法應用場景
      5.5.1  高速公路坑洞檢測
      5.5.2  息肉檢測

    5.6  小結
    參考資料
應用篇
  第6章  肋骨骨折檢測
    6.1  國內外研究現狀
    6.2  解決方案
    6.3  預處理
    6.4  肋骨骨折檢測
    6.5  實驗結果分析
    6.6  小結
    參考資料
  第7章  肺結節檢測
    7.1  國內外研究現狀
    7.2  總體框架
      7.2.1  肺結節數據集
      7.2.2  肺結節檢測難點
      7.2.3  演算法框架
    7.3  肺結節可疑位置推薦演算法
      7.3.1  CT圖像的預處理
      7.3.2  肺結節分割演算法
      7.3.3  優化方法
      7.3.4  推斷方法
    7.4  可疑肺結節定位演算法
    7.5  實驗結果與分析（1）
      7.5.1  實驗結果
      7.5.2  改進點效果分析
    7.6  假陽性肺結節抑制演算法
      7.6.1  假陽性肺結節抑制網路
      7.6.2  優化策略
      7.6.3  推斷策略
    7.7  實驗結果與分析（2）
      7.7.1  實驗結果
      7.7.2  改進點效果分析
      7.7.3  可疑位置推薦與假陽性抑制演算法的整合
    7.8  小結
    參考資料
  第8章  車道線檢測
    8.1  國內外研究現狀
    8.2  主要研究內容
      8.2.1  總體解決方案
      8.2.2  各階段概述
    8.3  車道線檢測系統的設計與實現
      8.3.1  車道線圖像數據標注與篩選
      8.3.2  車道線圖片預處理
      8.3.3  車道線分割模型訓練
      8.3.4  車道線檢測
      8.3.5  車道線檢測結果
    8.4  車道線檢測系統性能測試
      8.4.1  車道線檢測質量測試
      8.4.2  車道線檢測時間測試

    8.5  小結
    參考資料
  第9章  交通視頻分析
    9.1  國內外研究現狀
    9.2  主要研究內容
      9.2.1  總體設計
      9.2.2  精度和性能要求
    9.3  交通視頻分析
      9.3.1  車輛檢測和車牌檢測
      9.3.2  車牌識別功能設計詳解
      9.3.3  車輛品牌及顏色的識別
      9.3.4  目標跟蹤設計詳解
    9.4  系統測試
      9.4.1  車輛檢測
      9.4.2  車牌檢測
      9.4.3  車牌識別
      9.4.4  車輛品牌識別
      9.4.5  目標跟蹤
    9.5  小結
    參考資料

  • 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