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

基於深度學習的目標檢測原理與應用/人工智慧前沿理論與技術應用叢書

  • 作者：編者:翟中華//孫雲龍//陸澍暘|責編:王群
  • 出版社：電子工業
  • ISBN：9787121460319
  • 出版日期：2023/08/01
  • 裝幀：平裝
  • 頁數：287
人民幣：RMB 108 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書遵循循序漸進、深入淺出的理念，引領讀者夯實相關基礎知識，掌握傳統目標檢測方法，再逐步過渡到深度學習的基本概念及分類用法，進而深入講解目標檢測的兩階段深度學習方法、一階段學習方法，即從以R-CNN為代表的兩階段深度學習方法、以YOLO系列為代表的一階段學習方法等，層層揭開深度學慣用于目標檢測的「神秘面紗」，探究其中的奧秘。
    本書適合目標檢測領域的工程師、研究員閱讀，也可作為深度學習相關專業本科生、研究生的重要參考書，還可作為互聯網行業IT技術人員轉型學習人工智慧的參考用書、可登錄華信教育資源網下載相關代碼。
作者介紹
編者:翟中華//孫雲龍//陸澍暘|責編:王群
目錄
第1章  電腦視覺及目標檢測
  1.1  電腦視覺原理
    1.1.1  人類視覺與電腦視覺比較
    1.1.2  電腦視覺應用展現
  1.2  目標檢測概述
    1.2.1  電腦視覺三大主要任務
    1.2.2  目標檢測的應用
    1.2.3  目標檢測面臨的挑戰
    1.2.4  目標檢測方法
第2章  電腦視覺數學、編程基礎
  2.1  向量、矩陣和卷積
    2.1.1  向量
    2.1.2  矩陣
    2.1.3  卷積
  2.2  函數極值理論與非極大值抑制
    2.2.1  函數極值理論
    2.2.2  非極大值抑制
  2.3  跨平台電腦視覺和機器學習軟體庫OpenCV基礎
    2.3.1  OpenCV的歷史起源
    2.3.2  安裝OpenCV
    2.3.3  OpenCV圖像和視頻的讀/寫
    2.3.4  OpenCV基本操作
    2.3.5  OpenCV顏色空間轉換
    2.3.6  OpenCV幾何變換
    2.3.7  OpenCV圖像簡單閾值處理
    2.3.8  OpenCV形態學轉換
    2.3.9  OpenCV圖像梯度
  2.4  PyTorch基礎
    2.4.1  PyTorch簡介
    2.4.2  PyTorch安裝
    2.4.3  張量
    2.4.4  基本代碼操作
    2.4.5  PIL圖像格式轉換
    2.4.6  PyTorch自動求導機制
    2.4.7  PyTorch的神經網路nn包
第3章  OpenCV目標檢測實戰
  3.1  Haar特徵與積分圖像構建演算法
    3.1.1  Haar特徵
    3.1.2  積分圖像構建演算法
  3.2  AdaBoost應用於Haar人臉特徵分類
  3.3  AdaBoost級聯應用於Haar特徵人臉檢測
  3.4  利用OpenCV進行基於Haar特徵的人臉檢測實戰
第4章  深度學習引入及圖像分類實戰
  4.1  卷積神經網路的重要概念
  4.2  卷積神經網路訓練技巧及經典架構
  4.3  設計卷積神經網路進行圖像分類
  4.4  選擇卷積神經網路損失函數及優化器
  4.5  改進卷積神經網路以提高圖像分類準確率
第5章  目標檢測的兩階段深度學習方法
  5.1  R-CNN目標檢測思想

    5.1.1  目標檢測數據集
    5.1.2  從滑動窗口到選擇搜索
    5.1.3  R-CNN網路架構及訓練過程
  5.2  目標檢測指標——二分類器
  5.3  R-CNN目標檢測模型評估結果
    5.3.1  R-CNN用於細粒度類別檢測
    5.3.2  R-CNN用於目標檢測與分割
  5.4  R-CNN的缺陷和Fast R-CNN的改進
    5.4.1  R-CNN的缺陷
    5.4.2  感興趣區域池化
    5.4.3  Fast R-CNN創新損失函數設計
  5.5  Fast R-CNN網路架構和模型評估
    5.5.1  Fast R-CNN模型工作流程
    5.5.2  Fast R-CNN網路架構
    5.5.3  RoI池化反向傳播方法
    5.5.4  Fast R-CNN結果評估
  5.6  Fast R-CNN的創新
    5.6.1  Faster R-CNN的創新思想
    5.6.2  替代選擇搜索的錨框
    5.6.3  區域建議網路
  5.7  深入剖析Faster R-CNN中邊界框回歸
    5.7.1  為什麼使用邊界框回歸
    5.7.2  邊界框回歸的數學支撐
  5.8  Faster R-CNN的全景架構和損失函數
  5.9  Faster R-CNN的訓練步驟及步驟
    5.9.1  Faster R-CNN的訓練步驟
    5.9.2  Faster R-CNN的步驟
  5.10  詳細講解Faster R-CNN關鍵部分RoI代碼
第6章  目標檢測的一階段學習方法
  6.1  YOLO目標檢測思想
    6.1.1  改進思想
    6.1.2  網格單元
    6.1.3  YOLO創新細節
  6.2  YOLO的網路結構、網路與損失函數
    6.2.1  YOLO的網路結構
    6.2.2  YOLO的網路訓練與損失函數
  6.3  YOLO模型評估、優劣勢分析
    6.3.1  YOLO數據集
    6.3.2  YOLO模型評估
    6.3.3  YOLO模型優缺點
  6.4  YOLOv2實現更好、更快、更強
  6.5  YOLOv2改進YOLOv1——更好
    6.5.1  批歸一化
    6.5.2  高解析度分類器
    6.5.3  預設錨框並採用全卷積
    6.5.4  框聚類
    6.5.5  約束邊框位置
    6.5.6  細粒度特徵
    6.5.7  多尺度訓練
    6.5.8  實驗對比

  6.6  YOLOv2使用Darknet-19——更快
    6.6.1  Darknet-19
    6.6.2  三階段訓練
    6.6.3  YOLOv2的損失函數
  6.7  使用WordTree的YOLO9000——更強
    6.7.1  組合兩種數據集的必要性
    6.7.2  構建WordTree進行分層分類
    6.7.3  在組合數據集上訓練YOLO9000
第7章  YOLOv3創新思想及整體架構
  7.1  YOLOv3的創新改進
  7.2  YOLOv3的關鍵創新點
    7.2.1  106層的Darknet-53主幹網路架構
    7.2.2  三級檢測
    7.2.3  更擅長檢測較小的物體
    7.2.4  更多的錨框
    7.2.5  損失函數
  7.3  YOLOv3的三級檢測輸出過程
  7.4  YOLOv3的非極大值抑制
  7.5  YOLOv3的檢測效果
  7.6  SSD多尺度特徵圖目標檢測思想
  7.7  SSD網路架構
    7.7.1  SSD網路基礎架構
    7.7.2  擴張卷積
    7.7.3  SSD與YOLOv3
    7.7.4  SSD網路檢測物體方法
  7.8  SSD網路損失函數
    7.8.1  默認框匹配策略
    7.8.2  損失函數
  7.9  SSD較YOLOv3的劣勢
第8章  構建Darknet-53網路實踐
  8.1  Darknet-53網路工程結構和配置
  8.2  實踐代碼
  8.3  構建Darknet-53網路前向傳遞過程
    8.3.1  構建Darknet-53的模塊
    8.3.2  Darknet-53的模塊詳解
  8.4  YOLOv3實現檢測層特徵圖到邊界的預測值轉變
    8.4.1  參數講解
    8.4.2  實現步驟和代碼
  8.5  YOLOv3演示邊框生成過程
  8.6  YOLOv3處理低閾值邊框
    8.6.1  思路講解
    8.6.2  代碼實踐
  8.7  YOLOv3非極大值抑制過程
    8.7.1  延續上一節代碼講解NMS過程
    8.7.2  NMS后的整理
  8.8  YOLOv3演示NMS過程找到*優框
    8.8.1  運行檢測代碼演示
    8.8.2  運行結果分析
  8.9  YOLOv3實現工業工具檢測
    8.9.1  YOLOv3工業實踐需求分析及目標分析

    8.9.2  數據採集標注與數據預處理部分
    8.9.3  模型訓練部分
    8.9.4  模型優化部分
第9章  YOLOv4目標檢測方法
  9.1  YOLOv4目標檢測創新路徑及技巧體系
    9.1.1  速度與精度雙提升
    9.1.2  YOLOv4技巧匯總
  9.2  YOLOv4大型網路架構及其主要創新改進
    9.2.1  空間金字塔結構
    9.2.2  路徑增強網路
    9.2.3  使用YOLOv4的網路詳情
    9.2.4  CSPDarknet-53網路
    9.2.5  YOLOv4網路全景關係
  9.3  YOLOv4中的激活函數
    9.3.1  各激活函數的比較
    9.3.2  keras實現三種激活函數性能比較
  9.4  YOLOv4中的損失函數C-IoU
    9.4.1  L1和L2損失的缺陷
    9.4.2  IoU和IoU損失
    9.4.3  G-IoU、D-IoU和C-IoU
  9.5  YOLOv4中的新型批標準化
    9.5.1  各種批標準化
    9.5.2  跨迭代標準化
第10章  EfficientDet目標檢測方法
  10.1  複合縮放
  10.2  雙向特徵金字塔網路
  10.3  EfficientDet體系結構
    10.3.1  輸入圖像解析度縮放
    10.3.2  BiFPN縮放
    10.3.3  框/類預測網路縮放
    10.3.4  主幹網
  10.4  EfficientDet推理效果和不足之處
    10.4.1  EfficientDet推理效果
    10.4.2  EfficientDet不足之處
參考文獻

  • 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