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(工具原理與演算法)/智能系統與技術叢書

  • 作者：塗銘//金智勇|責編:韓蕊
  • 出版社：機械工業
  • ISBN：9787111690344
  • 出版日期：2021/09/01
  • 裝幀：平裝
  • 頁數：226
人民幣：RMB 89 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    這是一本從工具、原理、演算法3個維度指導讀者零基礎快速掌握目標檢測技術及其應用的入門書。
    兩位作者是資深的AI技術專家和電腦視覺演算法專家，在阿里、騰訊、百度、三星等大企業從事電腦視覺相關的工作多年，不僅理論功底紮實、實踐經驗豐富，而且知道初學者進入電腦視覺領域的痛點和難點。據此，兩位作者編寫了這本針對目標檢測初學者的入門書，希望從知識體系和工程實踐的角度幫助讀者少走彎路。
    第1?2章是目標檢測的準備工作，主要介紹了目標檢測的常識、深度學習框架的選型、開發環境的搭建以及數據處理工具的使用。
    第3?5章是目標檢測的技術基礎，主要講解了數據預處理和卷積神經網路等圖像分類技術的基礎知識。
    第6章比較詳細地介紹了香港中文大學的開源演算法庫mmdetection。
    第7?10章詳細地講解了目標檢測的概念、原理、一階段演算法、二階段演算法以及提升演算法性能的常用方法。
    第11章簡單介紹了目標檢測的相關案例(以工業為背景)，以幫助讀者構建一個更完整的知識體系。
作者介紹
塗銘//金智勇|責編:韓蕊
目錄
前言
第1章  目標檢測概述
  1.1  什麼是目標檢測
  1.2  典型的應用場景
    1.2.1  人臉識別
    1.2.2  智慧交通
    1.2.3  工業檢測
  1.3  目標檢測技術發展簡史
    1.3.1  傳統演算法
    1.3.2  深度學習演算法
  1.4  目標檢測領域重要的公開評測集
  1.5  本章小結
第2章  目標檢測前置技術
  2.1  深度學習框架
    2.1.1  Thea
    2.1.2  TensorFlow
    2.1.3  MXNet
    2.1.4  Keras
    2.1.5  PyTorch
    2.1.6  Caffe
  2.2  搭建開發環境
    2.2.1  Anaconda
    2.2.2  Conda
    2.2.3  PyTorch的下載與安裝
  2.3  NumPy使用詳解
    2.3.1  創建數組
    2.3.2  創建NumPy數組
    2.3.3  獲取NumPy屬性
    2.3.4  NumPy數組索引
    2.3.5  切片
    2.3.6  NumPy中的矩陣運算
    2.3.7  數據類型轉換
    2.3.8  NumPy的統計計算方法
    2.3.9  NumPy中的arg運算
    2.3.10  FancyIndeing
    2.3.11  NumPy數組比較
  2.4  本章小結
第3章  卷積神經網路
  3.1  卷積神經網路基礎
    3.1.1  全連接層
    3.1.2  卷積層
    3.1.3  池化層
    3.1.4  三維數據的卷積運算
    3.1.5  批規範化層
    3.1.6  Dropout層
  3.2  本章小結
第4章  數據預處理
  4.1  數據增強
    4.1.1  resize作
    4.1.2  crop作

    4.1.3  隨機的水平和豎直翻轉
    4.1.4  隨機角度的旋轉
    4.1.5  亮度、對比度和顏色的隨機變化
    4.1.6  彩色圖轉灰度圖
  4.2  數據的探索—Kaggle貓狗大戰
  4.3  本章小結
第5章  常見卷積神經網路結構
  5.1  LeNet神經網路
  5.2  AleNet神經網路
  5.3  VGGNet神經網路
  5.4  GoogLeNet神經網路
    5.4.1  inception模塊
    5.4.2  GoogLeNet的實現
    5.4.3  GoogLeNet的演變
  5.5  ResNet
    5.5.1  殘差模塊
    5.5.2  ResNet模型
  5.6  DenseNet
  5.7  其他網路結構
  5.8  實戰案例
  5.9  計算圖像數據集的RGB均值和方差
  5.10  本章小結
第6章  mmdetection工具包介紹
  6.1  mmdetection概要
  6.2  mmdetection支持的檢測框架和演算法實現
  6.3  搭建mmdetection開發環境
  6.4  使用入門
    6.4.1  使用預訓練模型進行推理
    6.4.2  訓練模型
    6.4.3  有用的工具
    6.4.4  如何使用mmdetection
  6.5  標注圖像
  6.6  實戰案例
    6.6.1  檢測人體
    6.6.2  檢測貓和狗
  6.7  本章小結
第7章  目標檢測的基本概念
  7.1  概念詳解
    7.1.1  IoU計算
    7.1.2  NMS作
    7.1.3  感受野
    7.1.4  空洞卷積
    7.1.5  評價指標mAP
  7.2  本章小結
第8章  兩階段檢測方法
  8.1  R-CNN演算法
    8.1.1  生成候選區域
    8.1.2  類別判定
    8.1.3  位置修正
    8.1.4  檢測過程

    8.1.5  R-CNN演算法的重要意義
  8.2  SPP-Net演算法
    8.2.1  空間金字塔採樣
    8.2.2  網路訓練
    8.2.3  測試過程
  8.3  Fast R-CNN演算法及訓練過程
    8.3.1  ROI池化層
    8.3.2  模型訓練
    8.3.3  測試過程
  8.4  Faster R-CNN演算法及訓練過程
    8.4.1  候選框提取網路
    8.4.2  RPN和Fast R-CNN共享特徵的方法
  8.5  Faster R-CNN代碼解析
    8.5.1  代碼整體結構
    8.5.2  數據載入
    8.5.3  構建主幹網路
    8.5.4  候選框提取網路
    8.5.5  對候選框進行分類和位置校正
    8.5.6  演算法模型架構圖
  8.6  本章小結
第9章  檢測演算法的進一步改進
  9.1  特徵金字塔
    9.1.1  特徵金字塔結構
    9.1.2  FPN代碼解析
  9.2  焦點損失函數
  9.3  本章小結
第10章  一階段檢測演算法
  10.1  YOLO演算法
    10.1.1  YOLO一版
    10.1.2  YOLO二版
    10.1.3  YOLO三版
  10.2  SSD演算法
    10.2.1  SSD演算法原理
    10.2.2  訓練方法
    10.2.3  SSD代碼解析
  10.3  FCOS演算法
    10.3.1  FCOS演算法原理
    10.3.2  FCOS源碼解析
  10.4  本章小結
第11章  工業AI的發展
  11.1  工業AI的概念和互聯網
  11.2  工業AI落地應用
    11.2.1  工業AI的典型場景
    11.2.2  工業AI落地背後的本質
    11.2.3  展望
  11.3  工業生產中的缺陷檢測問題
    11.3.1  視覺檢測系統
    11.3.2  光學識別軟體
    11.3.3  視覺質檢典型需求場景
  11.4  目標檢測在工業中的案例：面板行業ADC解決方案

    11.4.1  面板行業生產質檢的特點
    11.4.2  ADC解決方案
    11.4.3  系統效果與價值總結
  11.5  本章小結

  • 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