掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
深度學習之圖像識別:核心算法與實戰案例(全彩版) 版權信息
- ISBN：9787302635277
- 條形碼：9787302635277 ; 978-7-302-63527-7
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深度學習之圖像識別:核心算法與實戰案例(全彩版) 本書特色
1. 凝聚知名圖像處理專家8年深度學習算法的研究心得和實踐經驗。
2. 中科院研究員魯華祥、阿里達摩院計算機視覺大模型負責人趙德麗等專家力薦。
3. 全面、深入介紹基于深度學習的圖像識別技術與應用，深入介紹圖像識別的核心算法與12個經典案例，重點突出計算機視覺領域的多項新技術研究成果。
4. 印刷精美：采用全彩印刷，能更好地呈現圖像的色彩和各種細節。
5. 內容全面、新穎：涵蓋深度學習與圖像識別的核心技術與應用，并重點介紹多項新技術研究成果，給出多個重要領域的應用實踐代碼。
6. 講解深入：在對內容橫向擴展的同時，還進一步從縱向挖掘，力爭把知識講深、講透。
7. 講解準確、細致：對涉及的概念和算法等理論知識給出準確的描述，并通過大量的示意圖、表和詳細的步驟呈現技術細節。
8. 框架流行、易用：涉及的所有案例均采用流行和易用的PyTorch框架實現，容易上手。
9. 理論和實踐緊密結合，案例典型：不僅對理論知識進行闡述，而且結合12個切合實際開發的典型案例進行實踐，學習效果更好。
10. 編排科學：章節順序編排合理，符合讀者的學習和認知規律，學習梯度較為平滑。
深度學習之圖像識別:核心算法與實戰案例(全彩版) 內容簡介
《深度學習之圖像識別：核心算法與實戰案例（全彩版）》全面介紹了深度學習在圖像識別領域中的核心算法與應用。該書不但重視基礎理論的講解，而且從第4章開始，每章都提供了1～3個不同難度的案例供讀者實踐，讀者可以在已有代碼的基礎上進行改進，從而加深對所學知識的理解。 《深度學習之圖像識別：核心算法與實戰案例（全彩版）》共9章：首先介紹深度學習的基礎概念，包括神經網絡基礎知識和深度學習中的優化技術；然后系統介紹深度學習中與數據相關的知識，包括經典數據集的設計、數據集的增強，以及數據的獲取、整理與可視化；接著重點針對圖像識別領域，結合實戰案例系統地介紹深度學習在圖像分類、圖像分割和目標檢測3個領域的核心技術與應用；另外，還會對深度學習模型的可視化以及模型的壓縮和優化進行詳細介紹，為讀者設計和訓練更加實用的模型提供指導；*后以微信小程序平臺為依托，介紹微信小程序前后端開發技術，從而完成深度學習模型的部署。 《深度學習之圖像識別：核心算法與實戰案例（全彩版）》理論結合實踐，廣度兼具深度，非常適合深度學習領域的相關技術人員與愛好者閱讀，尤其適合基于深度學習的計算機視覺從業人員閱讀，可以幫助他們全方位了解深度學習在計算機視覺領域的技術全貌。另外，該書還適合作為高校人工智能相關專業的教材和社會培訓機構相關課程的教材。
深度學習之圖像識別:核心算法與實戰案例(全彩版) 目錄
第1章 神經網絡與卷積神經網絡基礎 1
1.1 神經網絡的生物基礎與數學模型 1
1.1.1 神經元 1
1.1.2 感知機 3
1.1.3 多層感知機與反向傳播算法 7
1.2 卷積神經網絡基礎 11
1.2.1 卷積的概念 12
1.2.2 卷積神經網絡的基本概念 13
1.2.3 卷積神經網絡的基本結構 17
1.3 總結 21
參考文獻 22
第2章 深度學習優化基礎 23
2.1 激活函數 23
2.1.1 S型函數 24
2.1.2 ReLU函數 25
2.2 參數初始化 31
2.2.1 簡單初始化 31
2.2.2 標準初始化 31
2.2.3 Xavier與MSRA初始化 32
2.2.4 初始化方法的使用 32
2.3 標準化方法 33
2.3.1 什么是標準化 33
2.3.2 批次標準化 34
2.3.3 層標準化 37
2.3.4 實例標準化 37
2.3.5 組標準化 38
2.3.6 權重標準化 39
2.3.7 標準化方法的自動搜索 39
2.3.8 標準化的有效性問題 39
2.4 學習率與*優化 40
2.4.1 學習率策略 40
2.4.2 梯度下降法與動量法 45
2.4.3 Adagrad算法 46
2.4.4 Adadelta與RMSprop算法 47
2.4.5 Adam算法 47
2.4.6 牛頓法、擬牛頓法與共軛梯度法 48
2.5 正則化方法與泛化 48
2.5.1 過擬合與欠擬合 49
2.5.2 參數正則化 49
2.5.3 提前停止 50
2.5.4 模型集成 51
2.5.5 訓練樣本擴充 52
2.6 深度學習主流開源框架 52
2.6.1 Caffe簡介 53
2.6.2 TensorFlow簡介 53
2.6.3 PyTorch簡介 54
2.6.4 Theano簡介 55
2.6.5 Keras簡介 55
2.6.6 MXNet簡介 55
2.6.7 Chainer簡介 56
2.7 總結 56
參考文獻 57
第3章 深度學習中的數據使用方法 60
3.1 深度學習通用數據集的發展 60
3.1.1 MNIST數據集 60
3.1.2 CIFAR10和CIFAR100數據集 61
3.1.3 PASCAL數據集 63
3.1.4 ImageNet數據集 63
3.1.5 Microsoft COCO數據集 64
3.2 常見計算機視覺任務數據集 65
3.2.1 人臉數據集 65
3.2.2 自動駕駛數據集 75
3.2.3 醫學數據集 77
3.3 數據收集、清洗與整理 81
3.3.1 數據收集 81
3.3.2 數據清洗與整理 83
3.4 數據標注 85
3.4.1 數據標注類型 85
3.4.2 數據標注方法 85
3.5 數據增強 87
3.5.1 單樣本圖像處理數據增強 88
3.5.2 多樣本圖像處理數據增強 92
3.5.3 自動化數據增強 94
3.5.4 數據生成增強 94
3.6 數據可視化 95
3.6.1 低維數據可視化 96
3.6.2 高維數據可視化 97
3.7 總結 99
參考文獻 99
第4章 圖像分類 101
4.1 圖像分類基礎 101
4.1.1 單標簽圖像分類問題 102
4.1.2 深度學習圖像分類經典模型 104
4.1.3 優化目標 108
4.1.4 評測指標 110
4.2 多標簽圖像分類 111
4.2.1 多標簽圖像分類問題 111
4.2.2 多標簽圖像分類模型 112
4.2.3 多標簽圖像分類評估指標 113
4.3 細粒度圖像分類 114
4.3.1 基于語義子區域的模型 114
4.3.2 基于高維特征的模型 116
4.4 半監督與無監督圖像分類 117
4.4.1 基本問題與解決思路 117
4.4.2 半監督分類模型 119
4.4.3 無監督分類模型 120
4.4.4 自監督分類模型 121
4.5 其他圖像分類問題的典型難題 122
4.5.1 類別不均衡問題 122
4.5.2 樣本過少問題 123
4.5.3 零樣本識別問題 123
4.6 簡單表情圖像分類實戰 124
4.6.1 項目背景 124
4.6.2 數據預處理 126
4.6.3 網絡結構配置 128
4.6.4 基于PyTorch的項目實踐 130
4.6.5 基于Caffe的項目實踐 137
4.6.6 項目總結 146
4.7 鳥類細粒度圖像分類實戰 147
4.7.1 項目背景 147
4.7.2 模型搭建 148
4.7.3 模型訓練 151
4.7.4 項目總結 152
4.8 總結 152
參考文獻 153
第5章 目標檢測 155
5.1 目標檢測基礎 155
5.1.1 檢測窗口選擇 156
5.1.2 特征提取 156
5.1.3 分類器 157
5.1.4 經典的V-J人臉檢測方法 159
5.1.5 評估指標 162
5.1.6 優化目標 166
5.1.7 深度學習目標檢測概述 167
5.2 深度學習二階段目標檢測方法 168
5.2.1 Selective Search與R-CNN 168
5.2.2 RoI Pooling與SPPNet 171
5.2.3 Fast R-CNN方法 172
5.2.4 Faster R-CNN方法 175
5.2.5 R-FCN方法 177
5.2.6 特征金字塔 178
5.2.7 RoI Align簡介 178
5.2.8 級聯框架Cascade R-CNN 180
5.3 深度學習一階段目標檢測方法 180
5.3.1 YOLO v1方法 180
5.3.2 YOLO v2方法 183
5.3.3 YOLO v3方法 185
5.3.4 YOLO v4方法 186
5.3.5 YOLO v5方法 189
5.3.6 SSD方法 191
5.3.7 基于角點的檢測方法 192
5.4 YOLO v3貓臉目標檢測實戰 194
5.4.1 項目背景 194
5.4.2 數據讀取 194
5.4.3 模型搭建 199
5.4.4 優化目標 204
5.4.5 模型訓練 212
5.4.6 模型測試 212
5.4.7 項目總結 217
5.5 總結 217
參考文獻 218
第6章 圖像分割 220
6.1 圖像分割基礎 220
6.1.1 圖像分割的分類 220
6.1.2 經典的圖像分割方法 222
6.1.3 評估指標與優化目標 226
6.2 語義分割 227
6.2.1 反卷積 227
6.2.2 語義分割基本流程 229
6.2.3 語義分割經典模型 230
6.2.4 語義分割核心技術與改進 232
6.2.5 條件隨機場后處理 236
6.2.6 弱監督語義分割模型 236
6.3 Image Matting模型 237
6.3.1 基本概念 237
6.3.2 基于三值圖的模型 237
6.3.3 不基于三值圖的模型 240
6.3.4 小結 241
6.4 實例分割模型 241
6.4.1 基礎實例分割模型 241
6.4.2 二階段實例分割模型 245
6.4.3 一階段實例分割模型 246
6.4.4 小結 250
6.5 嘴唇圖像語義分割項目 251
6.5.1 項目背景 251
6.5.2 數據準備與讀取 252
6.5.3 網絡結構搭建 254
6.5.4 模型訓練 256
6.5.5 模型測試 259
6.5.6 項目總結 260
6.6 人像摳圖實戰 261
6.6.1 項目背景 261
6.6.2 數據處理與讀取 262
6.6.3 模型搭建與訓練 266
6.6.4 模型測試 270
6.6.5 項目總結 272
6.7 總結 272
參考文獻 272
第7章 模型可視化 275
7.1 模型可視化基礎 275
7.1.1 為什么要研究模型可視化 275
7.1.2 模型可視化的研究方向 276
7.2 模型結構可視化 276
7.2.1 模型結構的定義 277
7.2.2 Graphiz可視化工具 278
7.2.3 Netron可視化工具 280
7.3 模型可視化分析 282
7.3.1 卷積參數與特征可視化 282
7.3.2 輸入激活模式可視化 286
7.3.3 輸入區域重要性可視化 289
7.4 模型可視化分析實踐 293
7.4.1 梯度法可視化 293
7.4.2 反卷積可視化 296
7.4.3 CAM圖可視化 302
7.4.4 項目總結 305
7.5 總結 305
參考文獻 305
第8章 模型壓縮 307
8.1 輕量級模型設計 307
8.1.1 全連接層的壓縮 308
8.1.2 小卷積核的應用 309
8.1.3 卷積拆分與分組 312
8.1.4 特征通道優化利用 316
8.1.5 小結 317
8.2 模型剪枝 318
8.2.1 模型剪枝基礎 318
8.2.2 模型稀疏學習 319
8.2.3 非結構化剪枝技術 322
8.2.4 結構化剪枝技術 324
8.2.5 小結 326
8.3 模型量化 326
8.3.1 模型量化基礎 326
8.3.2 二值量化 327
8.3.3 8bit量化 331
8.3.4 自由位寬量化 334
8.3.5 小結 335
8.4 模型蒸餾 335
8.4.1 模型蒸餾基礎 336
8.4.2 知識蒸餾框架 337
8.4.3 小結 339
8.5 結構化模型剪枝實踐 339
8.5.1 方案選擇 340
8.5.2 模型訓練 340
8.5.3 模型剪枝 343
8.5.4 小結 346
8.6 8bit模型量化實踐 346
8.6.1 方法選擇 346
8.6.2 量化算法實現 347
8.6.3 模型量化與測試 353
8.6.4 小結 356
8.7 經典模型蒸餾實踐 357
8.7.1 模型定義 357
8.7.2 模型訓練 358
8.7.3 小結 360
8.8 總結 361
參考文獻 361
第9章 模型部署與上線 365
9.1 微信小程序前端開發 365
9.1.1 小程序的技術特點與定位 365
9.1.2 Web前端基礎 367
9.1.3 小程序開發工具 369
9.1.4 小程序前端目錄 370
9.1.5 小程序前端開發 371
9.2 微信小程序服務端開發 376
9.2.1 域名注冊與管理 377
9.2.2 服務端框架簡介 377
9.2.3 算法搭建與實現 378
9.3 總結 382
1.1 神經網絡的生物基礎與數學模型 1
1.1.1 神經元 1
1.1.2 感知機 3
1.1.3 多層感知機與反向傳播算法 7
1.2 卷積神經網絡基礎 11
1.2.1 卷積的概念 12
1.2.2 卷積神經網絡的基本概念 13
1.2.3 卷積神經網絡的基本結構 17
1.3 總結 21
參考文獻 22
第2章 深度學習優化基礎 23
2.1 激活函數 23
2.1.1 S型函數 24
2.1.2 ReLU函數 25
2.2 參數初始化 31
2.2.1 簡單初始化 31
2.2.2 標準初始化 31
2.2.3 Xavier與MSRA初始化 32
2.2.4 初始化方法的使用 32
2.3 標準化方法 33
2.3.1 什么是標準化 33
2.3.2 批次標準化 34
2.3.3 層標準化 37
2.3.4 實例標準化 37
2.3.5 組標準化 38
2.3.6 權重標準化 39
2.3.7 標準化方法的自動搜索 39
2.3.8 標準化的有效性問題 39
2.4 學習率與*優化 40
2.4.1 學習率策略 40
2.4.2 梯度下降法與動量法 45
2.4.3 Adagrad算法 46
2.4.4 Adadelta與RMSprop算法 47
2.4.5 Adam算法 47
2.4.6 牛頓法、擬牛頓法與共軛梯度法 48
2.5 正則化方法與泛化 48
2.5.1 過擬合與欠擬合 49
2.5.2 參數正則化 49
2.5.3 提前停止 50
2.5.4 模型集成 51
2.5.5 訓練樣本擴充 52
2.6 深度學習主流開源框架 52
2.6.1 Caffe簡介 53
2.6.2 TensorFlow簡介 53
2.6.3 PyTorch簡介 54
2.6.4 Theano簡介 55
2.6.5 Keras簡介 55
2.6.6 MXNet簡介 55
2.6.7 Chainer簡介 56
2.7 總結 56
參考文獻 57
第3章 深度學習中的數據使用方法 60
3.1 深度學習通用數據集的發展 60
3.1.1 MNIST數據集 60
3.1.2 CIFAR10和CIFAR100數據集 61
3.1.3 PASCAL數據集 63
3.1.4 ImageNet數據集 63
3.1.5 Microsoft COCO數據集 64
3.2 常見計算機視覺任務數據集 65
3.2.1 人臉數據集 65
3.2.2 自動駕駛數據集 75
3.2.3 醫學數據集 77
3.3 數據收集、清洗與整理 81
3.3.1 數據收集 81
3.3.2 數據清洗與整理 83
3.4 數據標注 85
3.4.1 數據標注類型 85
3.4.2 數據標注方法 85
3.5 數據增強 87
3.5.1 單樣本圖像處理數據增強 88
3.5.2 多樣本圖像處理數據增強 92
3.5.3 自動化數據增強 94
3.5.4 數據生成增強 94
3.6 數據可視化 95
3.6.1 低維數據可視化 96
3.6.2 高維數據可視化 97
3.7 總結 99
參考文獻 99
第4章 圖像分類 101
4.1 圖像分類基礎 101
4.1.1 單標簽圖像分類問題 102
4.1.2 深度學習圖像分類經典模型 104
4.1.3 優化目標 108
4.1.4 評測指標 110
4.2 多標簽圖像分類 111
4.2.1 多標簽圖像分類問題 111
4.2.2 多標簽圖像分類模型 112
4.2.3 多標簽圖像分類評估指標 113
4.3 細粒度圖像分類 114
4.3.1 基于語義子區域的模型 114
4.3.2 基于高維特征的模型 116
4.4 半監督與無監督圖像分類 117
4.4.1 基本問題與解決思路 117
4.4.2 半監督分類模型 119
4.4.3 無監督分類模型 120
4.4.4 自監督分類模型 121
4.5 其他圖像分類問題的典型難題 122
4.5.1 類別不均衡問題 122
4.5.2 樣本過少問題 123
4.5.3 零樣本識別問題 123
4.6 簡單表情圖像分類實戰 124
4.6.1 項目背景 124
4.6.2 數據預處理 126
4.6.3 網絡結構配置 128
4.6.4 基于PyTorch的項目實踐 130
4.6.5 基于Caffe的項目實踐 137
4.6.6 項目總結 146
4.7 鳥類細粒度圖像分類實戰 147
4.7.1 項目背景 147
4.7.2 模型搭建 148
4.7.3 模型訓練 151
4.7.4 項目總結 152
4.8 總結 152
參考文獻 153
第5章 目標檢測 155
5.1 目標檢測基礎 155
5.1.1 檢測窗口選擇 156
5.1.2 特征提取 156
5.1.3 分類器 157
5.1.4 經典的V-J人臉檢測方法 159
5.1.5 評估指標 162
5.1.6 優化目標 166
5.1.7 深度學習目標檢測概述 167
5.2 深度學習二階段目標檢測方法 168
5.2.1 Selective Search與R-CNN 168
5.2.2 RoI Pooling與SPPNet 171
5.2.3 Fast R-CNN方法 172
5.2.4 Faster R-CNN方法 175
5.2.5 R-FCN方法 177
5.2.6 特征金字塔 178
5.2.7 RoI Align簡介 178
5.2.8 級聯框架Cascade R-CNN 180
5.3 深度學習一階段目標檢測方法 180
5.3.1 YOLO v1方法 180
5.3.2 YOLO v2方法 183
5.3.3 YOLO v3方法 185
5.3.4 YOLO v4方法 186
5.3.5 YOLO v5方法 189
5.3.6 SSD方法 191
5.3.7 基于角點的檢測方法 192
5.4 YOLO v3貓臉目標檢測實戰 194
5.4.1 項目背景 194
5.4.2 數據讀取 194
5.4.3 模型搭建 199
5.4.4 優化目標 204
5.4.5 模型訓練 212
5.4.6 模型測試 212
5.4.7 項目總結 217
5.5 總結 217
參考文獻 218
第6章 圖像分割 220
6.1 圖像分割基礎 220
6.1.1 圖像分割的分類 220
6.1.2 經典的圖像分割方法 222
6.1.3 評估指標與優化目標 226
6.2 語義分割 227
6.2.1 反卷積 227
6.2.2 語義分割基本流程 229
6.2.3 語義分割經典模型 230
6.2.4 語義分割核心技術與改進 232
6.2.5 條件隨機場后處理 236
6.2.6 弱監督語義分割模型 236
6.3 Image Matting模型 237
6.3.1 基本概念 237
6.3.2 基于三值圖的模型 237
6.3.3 不基于三值圖的模型 240
6.3.4 小結 241
6.4 實例分割模型 241
6.4.1 基礎實例分割模型 241
6.4.2 二階段實例分割模型 245
6.4.3 一階段實例分割模型 246
6.4.4 小結 250
6.5 嘴唇圖像語義分割項目 251
6.5.1 項目背景 251
6.5.2 數據準備與讀取 252
6.5.3 網絡結構搭建 254
6.5.4 模型訓練 256
6.5.5 模型測試 259
6.5.6 項目總結 260
6.6 人像摳圖實戰 261
6.6.1 項目背景 261
6.6.2 數據處理與讀取 262
6.6.3 模型搭建與訓練 266
6.6.4 模型測試 270
6.6.5 項目總結 272
6.7 總結 272
參考文獻 272
第7章 模型可視化 275
7.1 模型可視化基礎 275
7.1.1 為什么要研究模型可視化 275
7.1.2 模型可視化的研究方向 276
7.2 模型結構可視化 276
7.2.1 模型結構的定義 277
7.2.2 Graphiz可視化工具 278
7.2.3 Netron可視化工具 280
7.3 模型可視化分析 282
7.3.1 卷積參數與特征可視化 282
7.3.2 輸入激活模式可視化 286
7.3.3 輸入區域重要性可視化 289
7.4 模型可視化分析實踐 293
7.4.1 梯度法可視化 293
7.4.2 反卷積可視化 296
7.4.3 CAM圖可視化 302
7.4.4 項目總結 305
7.5 總結 305
參考文獻 305
第8章 模型壓縮 307
8.1 輕量級模型設計 307
8.1.1 全連接層的壓縮 308
8.1.2 小卷積核的應用 309
8.1.3 卷積拆分與分組 312
8.1.4 特征通道優化利用 316
8.1.5 小結 317
8.2 模型剪枝 318
8.2.1 模型剪枝基礎 318
8.2.2 模型稀疏學習 319
8.2.3 非結構化剪枝技術 322
8.2.4 結構化剪枝技術 324
8.2.5 小結 326
8.3 模型量化 326
8.3.1 模型量化基礎 326
8.3.2 二值量化 327
8.3.3 8bit量化 331
8.3.4 自由位寬量化 334
8.3.5 小結 335
8.4 模型蒸餾 335
8.4.1 模型蒸餾基礎 336
8.4.2 知識蒸餾框架 337
8.4.3 小結 339
8.5 結構化模型剪枝實踐 339
8.5.1 方案選擇 340
8.5.2 模型訓練 340
8.5.3 模型剪枝 343
8.5.4 小結 346
8.6 8bit模型量化實踐 346
8.6.1 方法選擇 346
8.6.2 量化算法實現 347
8.6.3 模型量化與測試 353
8.6.4 小結 356
8.7 經典模型蒸餾實踐 357
8.7.1 模型定義 357
8.7.2 模型訓練 358
8.7.3 小結 360
8.8 總結 361
參考文獻 361
第9章 模型部署與上線 365
9.1 微信小程序前端開發 365
9.1.1 小程序的技術特點與定位 365
9.1.2 Web前端基礎 367
9.1.3 小程序開發工具 369
9.1.4 小程序前端目錄 370
9.1.5 小程序前端開發 371
9.2 微信小程序服務端開發 376
9.2.1 域名注冊與管理 377
9.2.2 服務端框架簡介 377
9.2.3 算法搭建與實現 378
9.3 總結 382
展開全部
深度學習之圖像識別:核心算法與實戰案例(全彩版) 作者簡介
言有三，真名龍鵬。2012年畢業于華中科技大學，獲本科學歷，后保研至中國科學院，于2015年畢業。阿里云MVP，華為云MVP。先后在奇虎360人工智能研究院和陌陌深度學習實驗室從事計算機視覺的相關工作，積累了豐富的傳統圖像處理算法研究心得和深度學習項目實戰經驗。運營微信公眾號“有三AI”等社區，內容覆蓋深度學習的理論、開源框架、模型架構設計與優化，以及深度學習在計算機視覺和自然語言處理等領域的核心技術與應用。規劃并總結了AI算法工程師完整的成長路線。出版了《深度學習之圖像識別：核心技術與案例實戰》《深度學習之模型設計：核心算法與案例實踐》《深度學習之人臉圖像處理：核心算法與案例實戰》《深度學習之攝影圖像處理：核心算法與案例精粹》《生成對抗網絡GAN：原理與實踐》等著作。
書友推薦
- >
莉莉和章魚
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
小考拉的故事-套裝共3冊
- >
煙與鏡
- >
上帝之肋:男人的真實旅程
- >
經典常談
- >
月亮與六便士
- >
羅曼·羅蘭讀書隨筆-精裝
本類暢銷
