中圖網小程序
一鍵登錄
更方便
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
深度學習與目標檢測 版權信息
- ISBN：9787121367854
- 條形碼：9787121367854 ; 978-7-121-36785-4
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深度學習與目標檢測 本書特色
本書的寫作初衷是，從學者的角度，用一種通俗易懂的方式，把與基于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絡的介紹，而深度學習的內容不止于此。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、對抗生成網絡和AlphaGo圍棋等應用場景歸入不同的類別，并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。
深度學習與目標檢測 內容簡介
本書側重對卷積神經網絡的介紹, 而深度學習的內容不止于此。所以, 作者將深度學習分別為有監督學習、無監督學習和強化學習三類, 將圖像分類、目標檢測、人臉識別、語音識別、 生成對抗網絡和AlphaGo等應用場景歸入不同的類別, 并分別對其原理進行了概括性的講解。
深度學習與目標檢測 目錄
基礎篇
第1章 深度學習概述 2
1.1 深度學習發展簡史 2
1.2 有監督學習 4
1.2.1 圖像分類 4
1.2.2 目標檢測 6
1.2.3 人臉識別 10
1.2.4 語音識別 13
1.3 無監督學習 18
1.3.1 無監督學習概述 18
1.3.2 生成對抗網絡 18
1.4 強化學習 21
1.4.1 AlphaGo 21
1.4.2 AlphaGo Zero 23
1.5 小結 25
參考資料 25
第2章 深度神經網絡 27
2.1 神經元 27
2.2 感知機 30
2.3 前向傳遞 31
2.3.1 前向傳遞的流程 32
2.3.2 激活函數 33
2.3.3 損失函數 37
2.4 后向傳遞 40
2.4.1 后向傳遞的流程 40
2.4.2 梯度下降 40
2.4.3 參數修正 42
2.5 防止過擬合 44
2.5.1 dropout 44
2.5.2 正則化 45
2.6 小結 46
第3章 卷積神經網絡 47
3.1 卷積層 48
3.1.1 valid卷積 48
3.1.2 full卷積 50
3.1.3 same卷積 51
3.2 池化層 52
3.3 反卷積 53
3.4 感受野 54
3.5 卷積神經網絡實例 56
3.5.1 LeNet-5 56
3.5.2 AlexNet 58
3.5.3 VGGNet 62
3.5.4 GoogLeNet 64
3.5.5 ResNet 75
3.5.6 MobileNet 76
3.6 小結 78
進階篇
第4章 兩階段目標檢測方法 80
4.1 R-CNN 80
4.1.1 算法流程 80
4.1.2 訓練過程 81
4.2 SPP-Net 85
4.2.1 網絡結構 85
4.2.2 空間金字塔池化 86
4.3 Fast R-CNN 87
4.3.1 感興趣區域池化層 87
4.3.2 網絡結構 89
4.3.3 全連接層計算加速 90
4.3.4 目標分類 91
4.3.5 邊界框回歸 92
4.3.6 訓練過程 93
4.4 Faster R-CNN 97
4.4.1 網絡結構 98
4.4.2 RPN 99
4.4.3 訓練過程 105
4.5 R-FCN 107
4.5.1 R-FCN網絡結構 108
4.5.2 位置敏感的分數圖 109
4.5.3 位置敏感的RoI池化 110
4.5.4 R-FCN損失函數 111
4.5.5 Caffe網絡模型解析 111
4.5.6 U-Net 115
4.5.7 SegNet 116
4.6 Mask R-CNN 117
4.6.1 實例分割簡介 118
4.6.2 COCO數據集的像素級標注 119
4.6.3 網絡結構 120
4.7 小結 123
參考資料 123
第5章 單階段目標檢測方法 125
5.1 SSD 125
5.1.1 default box 125
5.1.2 網絡結構 126
5.1.3 Caffe網絡模型解析 127
5.1.4 訓練過程 135
5.2 RetinaNet 137
5.2.1 FPN 137
5.2.2 聚焦損失函數 139
5.3 RefineDet 140
5.3.1 網絡模型 141
5.3.2 Caffe網絡模型解析 143
5.3.3 訓練過程 152
5.4 YOLO 153
5.4.1 YOLO v1 153
5.4.2 YOLO v2 155
5.4.3 YOLO v3 157
5.5 目標檢測算法應用場景 159
5.5.1 高速公路坑洞檢測 160
5.5.2 息肉檢測 161
5.6 小結 162
參考資料 162
應用篇
第6章 肋骨骨折檢測 166
6.1 國內外研究現狀 166
6.2 解決方案 168
6.3 預處理 168
6.4 肋骨骨折檢測 169
6.5 實驗結果分析 170
6.6 小結 172
參考資料 173
第7章 肺結節檢測 174
7.1 國內外研究現狀 174
7.2 總體框架 176
7.2.1 肺結節數據集 176
7.2.2 肺結節檢測難點 177
7.2.3 算法框架 177
7.3 肺結節可疑位置推薦算法 178
7.3.1 CT圖像的預處理 179
7.3.2 肺結節分割算法 180
7.3.3 優化方法 182
7.3.4 推斷方法 184
7.4 可疑肺結節定位算法 185
7.5 實驗結果與分析（1） 186
7.5.1 實驗結果 186
7.5.2 改進點效果分析 186
7.6 假陽性肺結節抑制算法 188
7.6.1 假陽性肺結節抑制網絡 188
7.6.2 優化策略 192
7.6.3 推斷策略 194
7.7 實驗結果與分析（2） 194
7.7.1 實驗結果 195
7.7.2 改進點效果分析 195
7.7.3 可疑位置推薦與假陽性抑制算法的整合 197
7.8 小結 197
參考資料 197
第8章 車道線檢測 200
8.1 國內外研究現狀 200
8.2 主要研究內容 202
8.2.1 總體解決方案 202
8.2.2 各階段概述 203
8.3 車道線檢測系統的設計與實現 206
8.3.1 車道線圖像數據標注與篩選 206
8.3.2 車道線圖片預處理 208
8.3.3 車道線分割模型訓練 212
8.3.4 車道線檢測 221
8.3.5 車道線檢測結果 225
8.4 車道線檢測系統性能測試 225
8.4.1 車道線檢測質量測試 225
8.4.2 車道線檢測時間測試 227
8.5 小結 227
參考資料 228
第9章 交通視頻分析 229
9.1 國內外研究現狀 230
9.2 主要研究內容 231
9.2.1 總體設計 232
9.2.2 精度和性能要求 232
9.3 交通視頻分析 233
9.3.1 車輛檢測和車牌檢測 233
9.3.2 車牌識別功能設計詳解 235
9.3.3 車輛品牌及顏色的識別 243
9.3.4 目標跟蹤設計詳解 244
9.4 系統測試 247
9.4.1 車輛檢測 248
9.4.2 車牌檢測 251
9.4.3 車牌識別 253
9.4.4 車輛品牌識別 256
9.4.5 目標跟蹤 258
9.5 小結 259
參考資料 260
第1章 深度學習概述 2
1.1 深度學習發展簡史 2
1.2 有監督學習 4
1.2.1 圖像分類 4
1.2.2 目標檢測 6
1.2.3 人臉識別 10
1.2.4 語音識別 13
1.3 無監督學習 18
1.3.1 無監督學習概述 18
1.3.2 生成對抗網絡 18
1.4 強化學習 21
1.4.1 AlphaGo 21
1.4.2 AlphaGo Zero 23
1.5 小結 25
參考資料 25
第2章 深度神經網絡 27
2.1 神經元 27
2.2 感知機 30
2.3 前向傳遞 31
2.3.1 前向傳遞的流程 32
2.3.2 激活函數 33
2.3.3 損失函數 37
2.4 后向傳遞 40
2.4.1 后向傳遞的流程 40
2.4.2 梯度下降 40
2.4.3 參數修正 42
2.5 防止過擬合 44
2.5.1 dropout 44
2.5.2 正則化 45
2.6 小結 46
第3章 卷積神經網絡 47
3.1 卷積層 48
3.1.1 valid卷積 48
3.1.2 full卷積 50
3.1.3 same卷積 51
3.2 池化層 52
3.3 反卷積 53
3.4 感受野 54
3.5 卷積神經網絡實例 56
3.5.1 LeNet-5 56
3.5.2 AlexNet 58
3.5.3 VGGNet 62
3.5.4 GoogLeNet 64
3.5.5 ResNet 75
3.5.6 MobileNet 76
3.6 小結 78
進階篇
第4章 兩階段目標檢測方法 80
4.1 R-CNN 80
4.1.1 算法流程 80
4.1.2 訓練過程 81
4.2 SPP-Net 85
4.2.1 網絡結構 85
4.2.2 空間金字塔池化 86
4.3 Fast R-CNN 87
4.3.1 感興趣區域池化層 87
4.3.2 網絡結構 89
4.3.3 全連接層計算加速 90
4.3.4 目標分類 91
4.3.5 邊界框回歸 92
4.3.6 訓練過程 93
4.4 Faster R-CNN 97
4.4.1 網絡結構 98
4.4.2 RPN 99
4.4.3 訓練過程 105
4.5 R-FCN 107
4.5.1 R-FCN網絡結構 108
4.5.2 位置敏感的分數圖 109
4.5.3 位置敏感的RoI池化 110
4.5.4 R-FCN損失函數 111
4.5.5 Caffe網絡模型解析 111
4.5.6 U-Net 115
4.5.7 SegNet 116
4.6 Mask R-CNN 117
4.6.1 實例分割簡介 118
4.6.2 COCO數據集的像素級標注 119
4.6.3 網絡結構 120
4.7 小結 123
參考資料 123
第5章 單階段目標檢測方法 125
5.1 SSD 125
5.1.1 default box 125
5.1.2 網絡結構 126
5.1.3 Caffe網絡模型解析 127
5.1.4 訓練過程 135
5.2 RetinaNet 137
5.2.1 FPN 137
5.2.2 聚焦損失函數 139
5.3 RefineDet 140
5.3.1 網絡模型 141
5.3.2 Caffe網絡模型解析 143
5.3.3 訓練過程 152
5.4 YOLO 153
5.4.1 YOLO v1 153
5.4.2 YOLO v2 155
5.4.3 YOLO v3 157
5.5 目標檢測算法應用場景 159
5.5.1 高速公路坑洞檢測 160
5.5.2 息肉檢測 161
5.6 小結 162
參考資料 162
應用篇
第6章 肋骨骨折檢測 166
6.1 國內外研究現狀 166
6.2 解決方案 168
6.3 預處理 168
6.4 肋骨骨折檢測 169
6.5 實驗結果分析 170
6.6 小結 172
參考資料 173
第7章 肺結節檢測 174
7.1 國內外研究現狀 174
7.2 總體框架 176
7.2.1 肺結節數據集 176
7.2.2 肺結節檢測難點 177
7.2.3 算法框架 177
7.3 肺結節可疑位置推薦算法 178
7.3.1 CT圖像的預處理 179
7.3.2 肺結節分割算法 180
7.3.3 優化方法 182
7.3.4 推斷方法 184
7.4 可疑肺結節定位算法 185
7.5 實驗結果與分析（1） 186
7.5.1 實驗結果 186
7.5.2 改進點效果分析 186
7.6 假陽性肺結節抑制算法 188
7.6.1 假陽性肺結節抑制網絡 188
7.6.2 優化策略 192
7.6.3 推斷策略 194
7.7 實驗結果與分析（2） 194
7.7.1 實驗結果 195
7.7.2 改進點效果分析 195
7.7.3 可疑位置推薦與假陽性抑制算法的整合 197
7.8 小結 197
參考資料 197
第8章 車道線檢測 200
8.1 國內外研究現狀 200
8.2 主要研究內容 202
8.2.1 總體解決方案 202
8.2.2 各階段概述 203
8.3 車道線檢測系統的設計與實現 206
8.3.1 車道線圖像數據標注與篩選 206
8.3.2 車道線圖片預處理 208
8.3.3 車道線分割模型訓練 212
8.3.4 車道線檢測 221
8.3.5 車道線檢測結果 225
8.4 車道線檢測系統性能測試 225
8.4.1 車道線檢測質量測試 225
8.4.2 車道線檢測時間測試 227
8.5 小結 227
參考資料 228
第9章 交通視頻分析 229
9.1 國內外研究現狀 230
9.2 主要研究內容 231
9.2.1 總體設計 232
9.2.2 精度和性能要求 232
9.3 交通視頻分析 233
9.3.1 車輛檢測和車牌檢測 233
9.3.2 車牌識別功能設計詳解 235
9.3.3 車輛品牌及顏色的識別 243
9.3.4 目標跟蹤設計詳解 244
9.4 系統測試 247
9.4.1 車輛檢測 248
9.4.2 車牌檢測 251
9.4.3 車牌識別 253
9.4.4 車輛品牌識別 256
9.4.5 目標跟蹤 258
9.5 小結 259
參考資料 260
展開全部
深度學習與目標檢測 作者簡介
杜鵬，博士，現任職于華為。2014年起在韓國科學技術學院和新加坡南洋理工大學從事博士后研究。回國后，曾任杭州電子科技大學副教授、浙江核新同花順網絡信息股份有限公司算法研究員。2018年被NVIDIA深度學習學院評為優秀校園大使，在SIGGRAPH、PG等國際著名學術會議發表論文10余篇。諶明，博士。2004年加入美國道富集團，2011年加入浙江核新同花順網絡信息股份有限公司并任首席技術官，推動了包括計算機視覺、語音技術、自然語言處理、機器學習等技術在金融、醫療等領域的商業化落地。蘇統華，博士，哈爾濱工業大學副教授，自然手寫中文文本識別的開拓者。曾出版手寫漢字識別領域的首本英文專著，以及7本GPU計算和大數據分析方面的譯作，所領導的NVIDIA GPU教育中心連續4年被NVIDIA評為中國區優秀GPU教育中心。
書友推薦
- >
莉莉和章魚
- >
龍榆生：詞曲概論/大家小書
- >
中國歷史的瞬間
- >
二體千字文
- >
小考拉的故事-套裝共3冊
- >
羅庸西南聯大授課錄
- >
【精裝繪本】畫給孩子的中國神話
- >
人文閱讀與收藏·良友文學叢書:一天的工作
本類暢銷
