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
深度學習與目標檢測(第2版) 版權信息
- ISBN：9787121444425
- 條形碼：9787121444425 ; 978-7-121-44442-5
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深度學習與目標檢測(第2版) 本書特色
從概念到應用剖析基于深度學習的目標檢測，涵蓋醫療、交通、無人駕駛領域的工程實踐《深度學習與目標檢測(第2版)》注重深度學習目標檢測領域從概念到實例的過渡，概念講解與實例對應，實例包含醫學影像識別、車輛識別等多個領域。 本書從理論和實踐兩個方面對基于深度學習方法的目標檢測技術進行了深入講解。本書從基礎理論出發，層層深入，*終給出了一系列實例應用。對比目前市場上的同類書籍，本書的亮點在于，作者結合自身科研實踐中的特定問題，給出了相關理論的應用示例，以及具體的源代碼實現，這些都有助于讀者加深對算法的理解。相信本書對該領域的初學者和高級用戶都有裨益。 浙江大學教授 唐敏 杜鵬老師的這本書沒有局限于某種框架，而是用簡潔、生動的語言對深度學習的原理進行了深入淺出的講解，并為讀者展示了完整的科學研究和工程實踐案例。這是本書與目前市面上流行的介紹TensorFlow、PyTorch等深度學習框架的書籍*大的不同。 新加坡南洋理工大學終身教授，MICCAI 2022共同主席 蔡亦漁 深度學習作為眼下*火熱的研究領域之一，獲得了極大的關注，目標檢測問題則是深度學習要解決的基本問題之一。如何快速入門是很多深度學習從業者面臨的棘手問題，我相信，本書能夠很好地解決這個問題。本書從深度學習和目標檢測原理出發，深入淺出地介紹了相關知識點，提供了非常生動的應用案例，能夠幫助讀者很好地結合實踐。我和蘇統華老師相識多年，他作為國內人工智能的**批開拓者，在這個領域有很深的造詣。很高興看到他為讀者呈現前沿的知識，也很感謝他多年來為這個領域作出的貢獻。閱讀本書并結合相關實例的練習，相信讀者能夠掌握完整的知識體系并獲得應用能力。期待蘇統華老師和他的團隊為大家帶來更多優秀的作品。 NVIDIA CUDA Fellow，山東大學教授 周斌 在計算機視覺領域，目標識別是一個非常有用且有趣的方向。多年來，各國都有很多科研人員傾心于新技術的研究，也取得了不少成績。這本書沿著目標識別的發展路徑，介紹了多個較新的基于深度學習的實踐案例，不失為一本系統學習目標識別的好書。 《白話強化學習與PyTorch》作者，博士 高揚 計算機視覺是賦予機器類人智能過程中的一個不可或缺的環節，在其60余年的技術演進中，*近幾年的技術發展極大地提升了其類人化程度，而其中起到“助推器”作用的技術就是深度學習。神經網絡是深度學習的“根性”，幫助機器在圖像和視頻中發現感興趣區域“在哪里”“是什么”是其*為根本的任務。本書用通俗的語言介紹了深度學習的發展簡史、構成深度神經網絡的基本單元、針對目標檢測的模型演化及其在醫療、平安城市、自動駕駛領域的應用，內容翔實。對于想了解人工智能在計算機視覺領域發展現狀的讀者，本書不失為一本上佳的入門讀物。 計算機視覺資深專家，博士 謝迪
深度學習與目標檢測(第2版) 內容簡介
本書的寫作初衷是，從學者的角度，用一種通俗易懂的方式，將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、人臉識別、語音識別、雙向生成對抗網絡和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。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(第2版) 目錄
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 17
1．3．1 無監督學習概述 18
1．3．2 雙向生成對抗網絡 18
1．4 強化學習 21
1．4．1 AlphaGo 22
1．4．2 AlphaGo Zero 24
1．5 小結 25
參考資料 25
第2章 深度神經網絡 28
2．1 神經元 28
2．2 感知機 31
2．3 前向傳遞 32
2．3．1 前向傳遞的流程 33
2．3．2 激活函數 34
2．3．3 損失函數 38
2．4 后向傳遞 41
2．4．1 后向傳遞的流程 41
2．4．2 梯度下降 41
2．4．3 參數修正 43
2．5 防止過擬合 45
2．5．1 dropout 46
2．5．2 正則化 46
2．6 小結 47
第3章 卷積神經網絡 48
3．1 卷積層 49
3．1．1 valid卷積 49
3．1．2 full卷積 51
3．1．3 same卷積 52
3．2 池化層 53
3．3 反卷積 54
3．4 感受野 56
3．5 卷積神經網絡實例 57
3．5．1 LeNet-5 58
3．5．2 AlexNet 60
3．5．3 VGGNet 63
3．5．4 GoogLeNet 66
3．5．5 ResNet 76
3．5．6 MobileNet 77
3．6 小結 79
進 階 篇
第4章 兩階段目標檢測方法 82
4．1 R-CNN 82
4．1．1 算法流程 82
4．1．2 訓練過程 83
4．2 SPP-Net 87
4．2．1 網絡結構 87
4．2．2 空間金字塔池化 88
4．3 Fast R-CNN 89
4．3．1 感興趣區域池化層 90
4．3．2 網絡結構 91
4．3．3 全連接層計算加速 92
4．3．4 目標分類 93
4．3．5 邊界框回歸 94
4．3．6 訓練過程 95
4．4 Faster R-CNN 99
4．4．1 網絡結構 100
4．4．2 RPN 101
4．4．3 訓練過程 107
4．5 R-FCN 109
4．5．1 R-FCN網絡結構 110
4．5．2 位置敏感的分數圖 111
4．5．3 位置敏感的RoI池化 111
4．5．4 R-FCN損失函數 113
4．5．5 Caffe網絡模型解析 113
4．5．6 U-Net 117
4．5．7 SegNet 118
4．6 Mask R-CNN 119
4．6．1 實例分割簡介 119
4．6．2 COCO數據集的像素級標注 121
4．6．3 網絡結構 121
4．7 小結 125
參考資料 125
第5章 單階段目標檢測方法 126
5．1 SSD 126
5．1．1 default box 126
5．1．2 網絡結構 127
5．1．3 Caffe網絡模型解析 128
5．1．4 訓練過程 137
5．2 RetinaNet 138
5．2．1 FPN 139
5．2．2 聚焦損失函數 140
5．3 RefineDet 142
5．3．1 網絡模型 142
5．3．2 Caffe網絡模型解析 144
5．3．3 訓練過程 153
5．4 YOLO 154
5．4．1 YOLO v1 154
5．4．2 YOLO v2 157
5．4．3 YOLO v3 159
5．5 目標檢測算法應用場景舉例 161
5．5．1 高速公路坑洞檢測 161
5．5．2 息肉檢測 162
5．6 小結 163
參考資料 164
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 172
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 194
7．7．2 改進點效果分析 195
7．7．3 可疑位置推薦算法與假陽性抑制算法的整合 196
7．8 小結 197
參考資料 197
第8章 車道線檢測 199
8．1 國內外研究現狀 199
8．2 主要研究內容 201
8．2．1 總體解決方案 201
8．2．2 各階段概述 202
8．3 車道線檢測系統的設計與實現 205
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 207
8．3．3 車道線分割模型訓練 211
8．3．4 車道線檢測 220
8．3．5 車道線檢測結果 224
8．4 車道線檢測系統性能測試 224
8．4．1 車道線檢測質量測試 224
8．4．2 車道線檢測時間測試 226
8．5 小結 226
參考資料 227
第9章 交通視頻分析 228
9．1 國內外研究現狀 229
9．2 主要研究內容 230
9．2．1 總體設計 231
9．2．2 精度和性能要求 231
9．3 交通視頻分析 232
9．3．1 車輛檢測和車牌檢測 232
9．3．2 車牌識別功能設計詳解 234
9．3．3 車輛品牌及顏色的識別 242
9．3．4 目標跟蹤設計詳解 243
9．4 系統測試 246
9．4．1 車輛檢測 247
9．4．2 車牌檢測 250
9．4．3 車牌識別 252
9．4．4 車輛品牌識別 255
9．4．5 目標跟蹤 257
9．5 小結 258
參考資料 258
第10章 道路坑洞檢測 260
10．1 系統流程 260
10．2 道路坑洞圖像生成 262
10．2．1 坑洞生成網絡 262
10．2．2 遮罩生成方法 263
10．2．3 圖像融合 264
10．2．4 基于增廣訓練集的目標檢測 265
10．3 實驗與分析 266
10．3．1 影響因素 267
10．3．2 數據增廣方法對比 268
10．3．3 邊緣提取方法對比 270
10．3．4 圖像融合方法對比 271
10．3．5 目標檢測 273
10．4 小結 274
參考資料 274
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 17
1．3．1 無監督學習概述 18
1．3．2 雙向生成對抗網絡 18
1．4 強化學習 21
1．4．1 AlphaGo 22
1．4．2 AlphaGo Zero 24
1．5 小結 25
參考資料 25
第2章 深度神經網絡 28
2．1 神經元 28
2．2 感知機 31
2．3 前向傳遞 32
2．3．1 前向傳遞的流程 33
2．3．2 激活函數 34
2．3．3 損失函數 38
2．4 后向傳遞 41
2．4．1 后向傳遞的流程 41
2．4．2 梯度下降 41
2．4．3 參數修正 43
2．5 防止過擬合 45
2．5．1 dropout 46
2．5．2 正則化 46
2．6 小結 47
第3章 卷積神經網絡 48
3．1 卷積層 49
3．1．1 valid卷積 49
3．1．2 full卷積 51
3．1．3 same卷積 52
3．2 池化層 53
3．3 反卷積 54
3．4 感受野 56
3．5 卷積神經網絡實例 57
3．5．1 LeNet-5 58
3．5．2 AlexNet 60
3．5．3 VGGNet 63
3．5．4 GoogLeNet 66
3．5．5 ResNet 76
3．5．6 MobileNet 77
3．6 小結 79
進 階 篇
第4章 兩階段目標檢測方法 82
4．1 R-CNN 82
4．1．1 算法流程 82
4．1．2 訓練過程 83
4．2 SPP-Net 87
4．2．1 網絡結構 87
4．2．2 空間金字塔池化 88
4．3 Fast R-CNN 89
4．3．1 感興趣區域池化層 90
4．3．2 網絡結構 91
4．3．3 全連接層計算加速 92
4．3．4 目標分類 93
4．3．5 邊界框回歸 94
4．3．6 訓練過程 95
4．4 Faster R-CNN 99
4．4．1 網絡結構 100
4．4．2 RPN 101
4．4．3 訓練過程 107
4．5 R-FCN 109
4．5．1 R-FCN網絡結構 110
4．5．2 位置敏感的分數圖 111
4．5．3 位置敏感的RoI池化 111
4．5．4 R-FCN損失函數 113
4．5．5 Caffe網絡模型解析 113
4．5．6 U-Net 117
4．5．7 SegNet 118
4．6 Mask R-CNN 119
4．6．1 實例分割簡介 119
4．6．2 COCO數據集的像素級標注 121
4．6．3 網絡結構 121
4．7 小結 125
參考資料 125
第5章 單階段目標檢測方法 126
5．1 SSD 126
5．1．1 default box 126
5．1．2 網絡結構 127
5．1．3 Caffe網絡模型解析 128
5．1．4 訓練過程 137
5．2 RetinaNet 138
5．2．1 FPN 139
5．2．2 聚焦損失函數 140
5．3 RefineDet 142
5．3．1 網絡模型 142
5．3．2 Caffe網絡模型解析 144
5．3．3 訓練過程 153
5．4 YOLO 154
5．4．1 YOLO v1 154
5．4．2 YOLO v2 157
5．4．3 YOLO v3 159
5．5 目標檢測算法應用場景舉例 161
5．5．1 高速公路坑洞檢測 161
5．5．2 息肉檢測 162
5．6 小結 163
參考資料 164
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 172
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 194
7．7．2 改進點效果分析 195
7．7．3 可疑位置推薦算法與假陽性抑制算法的整合 196
7．8 小結 197
參考資料 197
第8章 車道線檢測 199
8．1 國內外研究現狀 199
8．2 主要研究內容 201
8．2．1 總體解決方案 201
8．2．2 各階段概述 202
8．3 車道線檢測系統的設計與實現 205
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 207
8．3．3 車道線分割模型訓練 211
8．3．4 車道線檢測 220
8．3．5 車道線檢測結果 224
8．4 車道線檢測系統性能測試 224
8．4．1 車道線檢測質量測試 224
8．4．2 車道線檢測時間測試 226
8．5 小結 226
參考資料 227
第9章 交通視頻分析 228
9．1 國內外研究現狀 229
9．2 主要研究內容 230
9．2．1 總體設計 231
9．2．2 精度和性能要求 231
9．3 交通視頻分析 232
9．3．1 車輛檢測和車牌檢測 232
9．3．2 車牌識別功能設計詳解 234
9．3．3 車輛品牌及顏色的識別 242
9．3．4 目標跟蹤設計詳解 243
9．4 系統測試 246
9．4．1 車輛檢測 247
9．4．2 車牌檢測 250
9．4．3 車牌識別 252
9．4．4 車輛品牌識別 255
9．4．5 目標跟蹤 257
9．5 小結 258
參考資料 258
第10章 道路坑洞檢測 260
10．1 系統流程 260
10．2 道路坑洞圖像生成 262
10．2．1 坑洞生成網絡 262
10．2．2 遮罩生成方法 263
10．2．3 圖像融合 264
10．2．4 基于增廣訓練集的目標檢測 265
10．3 實驗與分析 266
10．3．1 影響因素 267
10．3．2 數據增廣方法對比 268
10．3．3 邊緣提取方法對比 270
10．3．4 圖像融合方法對比 271
10．3．5 目標檢測 273
10．4 小結 274
參考資料 274
展開全部
深度學習與目標檢測(第2版) 作者簡介
杜鵬，博士，華為昇騰AI技術專家，主要研究方向為異構計算、計算機圖形學、人工智能等，曾在韓國科學技術院、新加坡南洋理工大學、杭州電子科技大學從事科研與教學工作，在SIGGRAPH、 CVPR、ICCV等國際有名會議發表論文十余篇。蘇統華，博士， 哈爾濱工業大學副教授、軟件學院副院長，主要研究領域包括大規模模式識別與手寫漢字識別、深度學習方法與GPU計算等。作為自然手寫體中文文本識別的開拓者，建立領域內搶先發售手寫中文庫（HIT-MW庫）。該庫為國內外約200家科研院所采用，獲得兩個國際手寫漢字識別競賽第一名。王波，主要從事位姿估計、圖像分割／生成等計算機視覺算法研究與應用，研究成果發表在CVPR、AAAI等國際有名學術會議上。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、機器學習等在金融、醫療等領域的商業化落地。
書友推薦
- >
朝聞道
- >
史學評論
- >
回憶愛瑪儂
- >
【精裝繪本】畫給孩子的中國神話
- >
二體千字文
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
月亮與六便士
- >
唐代進士錄
本類暢銷
