深度學習之圖像識別:核心技術與案例實戰(zhàn)
定 價:79 元
- 作者:
- 出版時間:2019/4/1
- ISBN:9787111624721
- 出 版 社:機械工業(yè)出版社
- 中圖法分類:TP391.413
- 頁碼:0
- 紙張:
- 版次:
- 開本:16開
本書是一本講述深度學習在計算機視覺領域的書籍,為機器學習和深度學習相關領域中需要學習圖像識別和處理技術的讀者量身定做。本書非常詳盡地講述了深度學習的各個知識點,包括深度學習卷積神經網絡的理論知識、深度學習中的數(shù)據,以及圖像分類、圖像分割和目標檢測等三大圖像基礎應用;另外還介紹了深度學習的數(shù)據可視化和模型可視化、深度學習中的常用損失函數(shù)、模型壓縮以及深度學習模型部署的前后端基礎知識。
本書從第4章開始,每章都配置有一到兩個難易程度不同的案例,讓讀者在實踐中更好地掌握相關領域的技術細節(jié)。讀者在讀完每章的理論知識后,就可以緊接著進行實踐,并在已有代碼的基礎上進行修改和改進,從而理論與實踐結合進行系統(tǒng)性的學習。
前言
第1章 神經網絡基礎1
1.1 神經網絡的生物基礎與數(shù)學模型1
1.1.1 神經元1
1.1.2 感知機2
1.1.3 BP算法6
1.2 卷積神經網絡基礎10
1.2.1 卷積神經網絡的基本結構11
1.2.2 卷積與權值共享13
1.2.3 感受野與池化14
第2章 深度學習優(yōu)化基礎17
2.1 深度學習主流開源框架17
2.1.1 Caffe簡介18
2.1.2 TensorFlow簡介18
2.1.3 PyTorch簡介19
2.1.4 Theano簡介20
2.1.5 Keras簡介20
2.1.6 MXNet簡介21
2.1.7 Chainer簡介21
2.2 網絡優(yōu)化參數(shù)22
2.2.1 常用激活函數(shù)22
2.2.2 參數(shù)初始化方法26
2.2.3 最優(yōu)化方法27
2.2.4 歸一化方法31
2.2.5 正則化方法33
第3章 深度學習中的數(shù)據36
3.1 深度學習通用數(shù)據集的發(fā)展36
3.1.1 MNIST數(shù)據集36
3.1.2 CIFAR10和CIFAR100數(shù)據集37
3.1.3 PASCAL數(shù)據集38
3.1.4 ImageNet數(shù)據集38
3.1.5 Microsoft COCO數(shù)據集39
3.2 常見的計算機視覺任務數(shù)據集40
3.2.1 人臉數(shù)據集40
3.2.2 自動駕駛數(shù)據集52
3.2.3 醫(yī)學數(shù)據集55
3.3 數(shù)據增強59
3.3.1 有監(jiān)督數(shù)據增強60
3.3.2 無監(jiān)督數(shù)據增強63
3.4 數(shù)據的收集與標注65
3.4.1 數(shù)據收集65
3.4.2 數(shù)據標注67
3.4.3 數(shù)據清洗與整理68
第4章 圖像分類70
4.1 圖像分類基礎70
4.1.1 圖像分類問題70
4.1.2 深度學習圖像分類發(fā)展簡史72
4.1.3 評測指標與優(yōu)化目標75
4.1.4 圖像分類的挑戰(zhàn)76
4.2 移動端實時表情分類實戰(zhàn)77
4.2.1 項目背景78
4.2.2 數(shù)據預處理80
4.2.3 項目方案82
4.2.4 模型訓練與測試84
4.2.5 項目總結88
4.3 細粒度圖像分類實戰(zhàn)89
4.3.1 項目背景89
4.3.2 項目方案90
4.3.3 模型訓練與測試92
4.3.4 參數(shù)調試97
4.3.5 項目總結102
第5章 圖像分割103
5.1 傳統(tǒng)圖像分割方法103
5.1.1 閾值法103
5.1.2 區(qū)域生長法與超像素105
5.1.3 圖切割105
5.1.4 活動輪廓模型106
5.2 深度學習圖像分割109
5.2.1 基本流程110
5.2.2 反卷積110
5.2.3 多尺度與感受野112
5.2.4 CRF方法113
5.2.5 Image Matting與圖像融合114
5.3 移動端實時圖像分割項目115
5.3.1 項目背景115
5.3.2 項目方案116
5.3.3 模型訓練與總結126
5.4 一個實時肖像換背景項目127
5.4.1 項目背景127
5.4.2 項目方案128
5.4.3 模型訓練與測試134
5.4.4 項目總結138
第6章 目標檢測139
6.1 目標檢測基礎139
6.1.1 檢測窗口選擇140
6.1.2 特征提取141
6.1.3 分類器142
6.1.4 V-J人臉檢測算法143
6.2 深度學習目標檢測方法145
6.2.1 Selective search與R-CNN146
6.2.2 RoI Pooling與SPPNet147
6.2.3 Fast R-CNN與Faster R-CNN149
6.2.4 YOLO方法152
6.2.5 SSD方法154
6.2.6 目標檢測中的關鍵技術155
6.3 實戰(zhàn)Faster-R-CNN目標檢測157
6.3.1 項目背景157
6.3.2 py-faster-rcnn框架解讀157
6.3.3 模型定義與分析170
6.3.4 模型訓練與測試180
6.3.5 項目總結183
第7章 數(shù)據與模型可視化185
7.1 數(shù)據可視化185
7.1.1 低維數(shù)據可視化185
7.1.2 高維數(shù)據可視化187
7.2 模型可視化190
7.2.1 模型結構可視化190
7.2.2 模型權重可視化198
7.2.3 特征圖可視化201
7.3 可視化案例202
7.3.1 項目背景202
7.3.2 數(shù)據接口定義204
7.3.3 網絡結構定義205
7.3.4 可視化代碼添加207
7.3.5 可視化訓練指標207
第8章 模型壓縮209
8.1 模型壓縮方法209
8.1.1 模型設計壓縮210
8.1.2 網絡剪枝與量化213
8.1.3 張量分解216
8.1.4 模型蒸餾與遷移學習216
8.2 模型壓縮實戰(zhàn)218
8.2.1 網絡分析220
8.2.2 輸入尺度和第一層卷積設計224
8.2.3 網絡寬度與深度壓縮226
8.2.4 彌補通道損失228
8.2.5 總結230
第9章 損失函數(shù)231
9.1 分類任務損失231
9.1.1 什么是0-1 loss231
9.1.2 熵與交叉熵loss231
9.1.3 softmax loss及其變種232
9.1.4 KL散度237
9.1.5 Hinge loss簡介237
9.1.6 Exponential loss與Logistic loss237
9.1.7 多標簽分類任務loss238
9.2 回歸任務損失238
9.2.1 L1 loss與L2 loss238
9.2.2 L1 loss與L2 loss的改進239
9.3 常見圖像任務與loss使用240
9.3.1 圖像基礎任務240
9.3.2 風格化與圖像復原,超分辨重建240
9.3.3 生成對抗網絡241
9.3.4 總結245
第10章 模型部署與上線246
10.1 微信小程序前端開發(fā)246
10.1.1 小程序的技術特點與定位246
10.1.2 Web前端基礎248
10.1.3 小程序開發(fā)工具251
10.1.4 小程序前端目錄252
10.1.5 小程序前端開發(fā)254
10.2 微信小程序服務端開發(fā)260
10.2.1 域名注冊與管理260
10.2.2 服務端框架簡介261
10.2.3 算法搭建與實現(xiàn)262
10.3 Caffe環(huán)境配置264
10.3.1 依賴庫安裝264
10.3.2 Caffe編譯安裝266