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

電腦視覺從入門到進階實戰(基於PyTorch雙色圖解)

  • 作者：編者:孫玉林|責編:耍利娜
  • 出版社：化學工業
  • ISBN：9787122452023
  • 出版日期：2024/08/01
  • 裝幀：平裝
  • 頁數：351
人民幣：RMB 99 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書基於PyTorch深度學習框架，結合電腦視覺中的主流任務，介紹了深度學習相關演算法的電腦視覺上的應用。
    本書主要內容分為兩部分。第一部分為PyTorch框架使用的相關知識，以及電腦視覺和深度學習的入門知識。第二部分重點介紹深度學習在電腦視覺上的應用，包括：經典的深度卷積網路、深度注意力網路，以及基於自注意力的Transformer系列網路在圖像分類中的應用；R-CNN系列、YOLO系列、SSD系列目標檢測網路的演算法思想及在目標檢測中的應用；FCN、U-Net等全卷積網路在圖像語義分割領域的應用；針對風格遷移任務，介紹了快速風格遷移、CycleGan等演算法的實戰應用；針對自編碼器和擴散模型，介紹了相關演算法在圖像重構、去噪以及生成相關電腦視覺任務中的實戰應用；最後介紹了遷移學習和域自適應的經典演算法在跨域電腦視覺圖像分類任務中的應用。
    本書適合對電腦視覺、深度學習、人工智慧、PyTorch使用感興趣的初學者及研究人員自學使用，也可作為高等院校相關專業的教材及參考書。
作者介紹
編者:孫玉林|責編:耍利娜
目錄
第1章  電腦視覺與深度學習
  1.1  電腦視覺簡介
    1.1.1  數字圖像處理基礎
    1.1.2  主流電腦視覺任務
  1.2  深度學習簡介
    1.2.1  深度學習發展簡史
    1.2.2  感知機與人工神經網路
    1.2.3  卷積神經網路
    1.2.4  循環神經網路
    1.2.5  優化演算法
    1.2.6  欠擬合與過擬合
  1.3  Python與PyTorch安裝
    1.3.1  安裝Python
    1.3.2  安裝PyTorch
    1.3.3  PyTorch核心模塊
    1.3.4  PyTorch輔組庫
    1.3.5  其他Python庫
  1.4  本章小結
第2章  PyTorch快速入門
  2.1  張量Tensor
    2.1.1  張量的數據類型
    2.1.2  張量的生成
    2.1.3  張量操作
    2.1.4  張量計算
  2.2  torch.nn模塊
    2.2.1  卷積層
    2.2.2  池化層
    2.2.3  填充層
    2.2.4  激活函數層
    2.2.5  歸一化函數層
    2.2.6  循環層
    2.2.7  全連接層
    2.2.8  Transformer層
  2.3  圖像數據操作和預處理
    2.3.1  從datasets模塊中導入數據並預處理
    2.3.2  從文件夾中導入數據並進行預處理
  2.4  優化器與損失函數
    2.4.1  優化器
    2.4.2  損失函數
  2.5  預訓練網路
  2.6  GPU部署和使用
  2.7  本章小結
第3章  圖像分類
  3.1  經典的深度圖像分類網路
    3.1.1  LeNet-5網路
    3.1.2  AlexNet網路
    3.1.3  VGG網路結構
    3.1.4  GoogLeNet
    3.1.5  ResNet網路
    3.1.6  DenseNet網路

    3.1.7  CLIP模型
  3.2  卷積神經網路識別FashionMNIST
    3.2.1  圖像數據準備
    3.2.2  卷積神經網路的搭建
    3.2.3  卷積神經網路訓練與預測
  3.3  ResNet網路預測CIFAR
    3.3.1  圖像數據準備
    3.3.2  ResNet網路搭建
    3.3.3  ResNet網路訓練與預測
  3.4  微調預訓練的卷積網路
    3.4.1  微調預訓練的VGG網路
    3.4.2  準備新網路需要的數據
    3.4.3  微調VGG網路的訓練和預測
  3.5  卷積網路可視化
    3.5.1  網路中間特徵可視化
    3.5.2  類激活熱力圖可視化
  3.6  CLIP模型應用
    3.6.1  CLIP零樣本學習
    3.6.2  CIFAR10使用CLIP特徵分類
  3.7  本章小結
第4章  目標檢測與識別
  4.1  目標檢測方法
    4.1.1  目標檢測演算法分類
    4.1.2  目標檢測評價指標
    4.1.3  目標檢測常用損失函數
    4.1.4  錨框與非極大值抑制
  4.2  經典的目標檢測網路
    4.2.1  R-CNN系列網路
    4.2.2  YOLO系列網路
    4.2.3  SSD系列網路
    4.2.4  其他目標檢測網路
  4.3  使用預訓練的目標檢測網路
    4.3.1  目標檢測常用數據集
    4.3.2  圖像目標檢測
    4.3.3  人體關鍵點檢測
  4.4  訓練自己的YOLOv3目標檢測網路
    4.4.1  PASCAL VOC數據準備
    4.4.2  YOLOv3網路搭建
    4.4.3  YOLOv3網路訓練
    4.4.4  YOLOv3目標檢測
  4.5  本章小結
第5章  語義分割
  5.1  語義分割方法
  5.2  經典的語義分割網路
    5.2.1  FCN
    5.2.2  SegNet
    5.2.3  U-Net
    5.2.4  DeepLab系列
    5.2.5  PSPNet
    5.2.6  SAM

  5.3  使用預訓練的語義分割網路
    5.3.1  使用預訓練網路
    5.3.2  語義分割評價指標
  5.4  訓練自己的語義分割網路
    5.4.1  數據準備
    5.4.2  FCN語義分割網路
    5.4.3  U-Net語義分割網路
  5.5  本章小結
第6章  注意力機制與Transformer
  6.1  經典的注意力模型
    6.1.1  SE-Net
    6.1.2  SPANet
    6.1.3  CBAM
    6.1.4  Transformer
    6.1.5  ViT
    6.1.6  Swin Transformer
  6.2  PyTorch預訓練ViT網路應用
    6.2.1  預訓練ViT網路導入
    6.2.2  CIFAR100數據準備
    6.2.3  預訓練ViT網路訓練與預測
  6.3  ViT網路圖像分類
    6.3.1  ViT網路搭建
    6.3.2  CIFAR00數據準備
    6.3.3  ViT網路訓練與預測
  6.4  本章小結
第7章  圖像風格遷移
  7.1  經典的圖像風格遷移方法
    7.1.1  固定風格固定內容的風格遷移
    7.1.2  固定風格任意內容的風格遷移
    7.1.3  任意風格任意內容的風格遷移
    7.1.4  基於Gan的圖像風格遷移
  7.2  固定風格固定內容的風格遷移
    7.2.1  準備VGG19網路
    7.2.2  圖像數據準備
    7.2.3  圖像的輸出特徵和Gram矩陣的計算
    7.2.4  進行圖像風格遷移
  7.3  固定風格任意內容的風格遷移
    7.3.1  快速風格遷移網路準備
    7.3.2  快速風格遷移數據準備
    7.3.3  快速風格遷移網路訓練和結果展示
  7.4  CycleGan風格遷移
    7.4.1  CycleGan網路搭建
    7.4.2  非成對圖像數據準備
    7.4.3  網路訓練
    7.4.4  圖像轉換結果展示
  7.5  本章小結
第8章  自編碼器與擴散模型
  8.1  自編器模型與擴散模型介紹
    8.1.1  自編碼器原理
    8.1.2  變分自編碼器

    8.1.3  VQ-VAE圖像生成
    8.1.4  Stable Diffusion圖像生成
  8.2  自編碼器圖像重構
    8.2.1  自編碼網路數據準備
    8.2.2  自編碼網路的構建
    8.2.3  自編碼網路的訓練
    8.2.4  自編碼網路的數據重構
    8.2.5  網路的編碼特徵可視化
  8.3  自編碼器圖像去噪
    8.3.1  數據準備
    8.3.2  網路搭建
    8.3.3  網路訓練與預測
  8.4  Stable Diffusion圖像生成
    8.4.1  數據準備
    8.4.2  網路搭建
    8.4.3  網路訓練與預測
  8.5  本章小結
第9章  遷移學習與域自適應
  9.1  遷移學習簡介
    9.1.1  遷移學習的定義
    9.1.2  為什麼需要遷移學習
    9.1.3  遷移學習的分類
    9.1.4  度量準則
  9.2  經典的遷移學習演算法
    9.2.1  基於深度遷移的finetune模型
    9.2.2  基於對抗學習的遷移學習
    9.2.3  基於對齊的遷移學習
    9.2.4  基於偽標籤的遷移學習
    9.2.5  其他遷移學習損失函數
  9.3  遷移學習圖像分類實戰
    9.3.1  數據和網路準備工作
    9.3.2  基於微調的遷移學習
    9.3.3  基於對齊的遷移學習
    9.3.4  基於對抗的遷移學習
    9.3.5  基於目標域標籤互信息的遷移學習
  9.4  本章小結
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