| | | 基於深度學習的目標檢測原理與應用 圖書 | 該商品所屬分類:圖書 -> 科技 | 【市場價】 | 928-1344元 | 【優惠價】 | 580-840元 | 【折扣說明】 | 一次購物滿999元台幣免運費+贈品 一次購物滿2000元台幣95折+免運費+贈品 一次購物滿3000元台幣92折+免運費+贈品 一次購物滿4000元台幣88折+免運費+贈品
| 【本期贈品】 | ①優質無紡布環保袋,做工棒!②品牌簽字筆 ③品牌手帕紙巾
| |
版本 | 正版全新電子版PDF檔 | 您已选择: | 正版全新 | 溫馨提示:如果有多種選項,請先選擇再點擊加入購物車。*. 電子圖書價格是0.69折,例如了得網價格是100元,電子書pdf的價格則是69元。 *. 購買電子書不支持貨到付款,購買時選擇atm或者超商、PayPal付款。付款後1-24小時內通過郵件傳輸給您。 *. 如果收到的電子書不滿意,可以聯絡我們退款。謝謝。 | | | | 內容介紹 | |
出版社:電子工業出版社 ISBN:9787121460319 商品編碼:10086991730477 品牌:文軒 出版時間:2023-08-01 代碼:108
" 作 者:翟中華,孫雲龍,陸澍旸 編 定 價:108 出 版 社:電子工業出版社 出版日期:2023年08月01日 頁 數:300 裝 幀:平裝 ISBN:9787121460319 ●第1章計算機視覺及目標檢測1 1.1計算機視覺原理1 1.1.1人類視覺與計算機視覺比較1 1.1.2計算機視覺應用展現2 1.2目標檢測概述9 1.2.1計算機視覺三大主要任務9 1.2.2目標檢測的應用11 1.2.3目標檢測面臨的挑戰12 1.2.4目標檢測方法13 第2章計算機視覺數學、編程基礎15 2.1向量、矩陣和卷積15 2.1.1向量15 2.1.2矩陣16 2.1.3卷積16 2.2函數極值理論與非極大值抑制18 2.2.1函數極值理論19 2.2.2非極大值抑制21 2.3跨平臺計算機視覺和機器學習軟件庫OpenCV基礎24 2.3.1OpenCV的歷史起源24 2.3.2安裝OpenCV24 2.3.3OpenCV圖像和視頻的讀/寫24 2.3.4OpenCV基本操作28 2.3.5OpenCV顏色空間轉換29 2.3.6OpenCV幾何變換31 2.3.7OpenCV圖像簡單閾值處理34 2.3.8OpenCV形態學轉換40 2.3.9OpenCV圖像梯度43 2.4PyTorch基礎46 2.4.1PyTorch簡介46 2.4.2PyTorch安裝47 2.4.3張量47 2.4.4基本代碼操作49 2.4.5PIL圖像格式轉換51 2.4.6PyTorch自動求導機制52 2.4.7PyTorch的神經網絡nn包55 第3章OpenCV目標檢測實戰60 3.1Haar特征與積分圖像構建算法60 3.1.1Haar特征60 3.1.2積分圖像構建算法65 3.2AdaBoost應用於Haar人臉特征分類66 3.3AdaBoost級聯應用於Haar特征人臉檢測70 3.4利用OpenCV進行基於Haar特征的人臉檢測實戰73 第4章深度學習引入及圖像分類實戰75 4.1卷積神經網絡的重要概念75 4.2卷積神經網絡訓練技巧及經典架構79 4.3設計卷積神經網絡進行圖像分類82 4.4選擇卷積神經網絡損失函數及優化器85 4.5改進卷積神經網絡以提高圖像分類準確率88 第5章目標檢測的兩階段深度學習方法90 5.1R-CNN目標檢測思想90 5.1.1目標檢測數據集91 5.1.2從滑動窗口到選擇搜索91 5.1.3R-CNN網絡架構及訓練過程93 5.2目標檢測指標――二分類器97 5.3R-CNN目標檢測模型評估結果100 5.3.1R-CNN用於細粒度類別檢測108 5.3.2R-CNN用於目標檢測與分割109 5.4R-CNN的缺陷和FastR-CNN的改進110 5.4.1R-CNN的缺陷110 5.4.2感興趣區域池化111 5.4.3FastR-CNN創新損失函數設計113 5.5FastR-CNN網絡架構和模型評估115 5.5.1FastR-CNN模型工作流程115 5.5.2FastR-CNN網絡架構116 5.5.3RoI池化反向傳播方法116 5.5.4FastR-CNN結果評估117 5.6FastR-CNN的創新118 5.6.1FasterR-CNN的創新思想118 5.6.2替代選擇搜索的錨框119 5.6.3區域建議網絡120 5.7深入剖析FasterR-CNN中邊界框回歸123 5.7.1為什麼使用邊界框回歸124 5.7.2邊界框回歸的數學支撐125 5.8FasterR-CNN的全景架構和損失函數127 5.9FasterR-CNN的訓練步驟及測試步驟129 5.9.1FasterR-CNN的訓練步驟129 5.9.2FasterR-CNN的測試步驟131 5.10詳細講解FasterR-CNN關鍵部分RoI代碼132 第6章目標檢測的一階段學習方法134 6.1YOLO目標檢測思想135 6.1.1改進思想136 6.1.2137 6.1.3YOLO創新細節138 6.2YOLO的網絡結構、網絡與損失函數140 6.2.1YOLO的網絡結構140 6.2.2YOLO的網絡訓練與損失函數142 6.3YOLO模型評估、優劣勢分析144 6.3.1YOLO數據集145 6.3.2YOLO模型評估145 6.3.3YOLO模型優缺點146 6.4YOLOv2實現更好、更快、更強149 6.5YOLOv2改進YOLOv1――更好149 6.5.1批歸一化150 6.5.2高分辨率分類器150 6.5.3預設錨框並采用全卷積150 6.5.4框聚類151 6.5.5約束邊框位置153 6.5.6細粒度特征154 6.5.7多尺度訓練154 6.5.8實驗對比156 6.6YOLOv2使用Darknet-19――更快158 6.6.1Darknet-19158 6.6.2三階段訓練159 6.6.3YOLOv2的損失函數161 6.7使用WordTree的YOLO9000――更強164 6.7.1組合兩種數據集的必要性164 6.7.2構建WordTree進行分層分類165 6.7.3在組合數據集上訓練YOLO9000167 第7章YOLOv3創新思想及整體架構170 7.1YOLOv3的創新改進170 7.2YOLOv3的關鍵創新點171 7.2.1106層的Darknet-53主干網絡架構171 7.2.2三級檢測176 7.2.3更擅長檢測較小的物體177 7.2.4更多的錨框177 7.2.5損失函數178 7.3YOLOv3的三級檢測輸出過程179 7.4YOLOv3的非極大值抑制183 7.5YOLOv3的檢測效果184 7.6SSD多尺度特征圖目標檢測思想185 7.7SSD網絡架構191 7.7.1SSD網絡基礎架構191 7.7.2擴張卷積192 7.7.3SSD與YOLOv3193 7.7.4SSD網絡檢測物體方法193 7.8SSD網絡損失函數194 7.8.1默認框匹配策略194 7.8.2損失函數195 7.9SSD較YOLOv3的劣勢196 第8章構建Darknet-53網絡實踐198 8.1Darknet-53網絡工程結構和配置198 8.2實踐代碼200 8.3構建Darknet-53網絡前向傳遞過程203 8.3.1構建Darknet-53的模塊203 8.3.2Darknet-53的模塊詳解205 8.4YOLOv3實現檢測層特征圖到邊界的預測值轉變209 8.4.1參數講解209 8.4.2實現步驟和代碼210 8.5YOLOv3演示邊框生成過程212 8.6YOLOv3處理低閾值邊框214 8.6.1思路講解215 8.6.2代碼實踐215 8.7YOLOv3非極大值抑制過程218 8.7.1延續上一節代碼講解NMS過程219 8.7.2NMS後的整理220 8.8YOLOv3演示NMS過程找到很優框220 8.8.1運行檢測代碼演示220 8.8.2運行結果分析221 8.9YOLOv3實現工業工具檢測224 8.9.1YOLOv3工業實踐需求分析及目標分析225 8.9.2數據采集標注與數據預處理部分226 8.9.3模型訓練部分230 8.9.4模型優化部分239 第9章YOLOv4目標檢測方法240 9.1YOLOv4目標檢測創新路徑及技巧體繫240 9.1.1速度與精度雙提升240 9.1.2YOLOv4技巧彙總240 9.2YOLOv4大型網絡架構及其主要創新改進246 9.2.1空間金字塔結構246 9.2.2路徑增強網絡247 9.2.3使用YOLOv4的網絡詳情248 9.2.4CSPDarknet-53網絡254 9.2.5YOLOv4網絡全景關繫255 9.3YOLOv4中的激活函數256 9.3.1各激活函數的比較256 9.3.2keras實現三種激活函數性能比較260 9.4YOLOv4中的損失函數C-IoU263 9.4.1L1和L2損失的缺陷264 9.4.2IoU和IoU損失264 9.4.3G-IoU、D-IoU和C-IoU265 9.5YOLOv4中的新型批標準化268 9.5.1各種批標準化268 9.5.2跨迭代標準化270 第10章EfficientDet目標檢測方法272 10.1復合縮放272 10.2雙向特征金字塔網絡274 10.3EfficientDet體繫結構276 10.3.1輸入圖像分辨率縮放276 10.3.2BiFPN縮放277 10.3.3框/類預測網絡縮放277 10.3.4主干網277 10.4EfficientDet推理效果和不足之處279 10.4.1EfficientDet推理效果279 10.4.2EfficientDet不足之處282 參考文獻284 本書遵循循序漸進、深入淺出的理念,引領讀者夯實相關基礎知識,掌握傳統目標檢測方法,再逐步過渡到深度學習的基本概念及分類用法,進而深入講解目標檢測的兩階段深度學習方法、一階段學習方法,即從以R-CNN為代表的兩階段深度學習方法、以YOLO繫列為代表的一階段學習方法等,層層揭開深度學習用於目標檢測的“神秘面紗”,探究其中的奧秘。 本書適合目標檢測領域的工程師、研究員閱讀,也可作為深度學習相關專業本科生、研究生的重要參考書,還可作為互聯網行業IT技術人員轉型學習人工智能的參考用書。 翟中華,孫雲龍,陸澍旸 編 翟中華,清華大學碩士,曾就職於中國銀行總行信息科技部等,2018開始創立AI火箭營,擔任北創智能科技有限公司CEO,獲軟件設計師重量證書,在計算機視覺、深度學習、機器學習等方向已有多本著作出版。
" | | | | | |