更新时间：2023-11-20 19:57:36
封面
版权信息
内容简介
前言
第1章 计算机视觉及目标检测
1.1 计算机视觉原理
1.1.1 人类视觉与计算机视觉比较
1.1.2 计算机视觉应用展现
1.2 目标检测概述
1.2.1 计算机视觉三大主要任务
1.2.2 目标检测的应用
1.2.3 目标检测面临的挑战
1.2.4 目标检测方法
第2章 计算机视觉数学、编程基础
2.1 向量、矩阵和卷积
2.1.1 向量
2.1.2 矩阵
2.1.3 卷积
2.2 函数极值理论与非极大值抑制
2.2.1 函数极值理论
2.2.2 非极大值抑制
2.3 跨平台计算机视觉和机器学习软件库OpenCV基础
2.3.1 OpenCV的历史起源
2.3.2 安装OpenCV
2.3.3 OpenCV图像和视频的读/写
2.3.4 OpenCV基本操作
2.3.5 OpenCV颜色空间转换
2.3.6 OpenCV几何变换
2.3.7 OpenCV图像简单阈值处理
2.3.8 OpenCV形态学转换
2.3.9 OpenCV图像梯度
2.4 PyTorch基础
2.4.1 PyTorch简介
2.4.2 PyTorch安装
2.4.3 张量
2.4.4 基本代码操作
2.4.5 PIL图像格式转换
2.4.6 PyTorch自动求导机制
2.4.7 PyTorch的神经网络nn包
第3章 OpenCV目标检测实战
3.1 Haar特征与积分图像构建算法
3.1.1 Haar特征
3.1.2 积分图像构建算法
3.2 AdaBoost应用于Haar人脸特征分类
3.3 AdaBoost级联应用于Haar特征人脸检测
3.4 利用OpenCV进行基于Haar特征的人脸检测实战
第4章 深度学习引入及图像分类实战
4.1 卷积神经网络的重要概念
4.2 卷积神经网络训练技巧及经典架构
4.3 设计卷积神经网络进行图像分类
4.4 选择卷积神经网络损失函数及优化器
4.5 改进卷积神经网络以提高图像分类准确率
第5章 目标检测的两阶段深度学习方法
5.1 R-CNN目标检测思想
5.1.1 目标检测数据集
5.1.2 从滑动窗口到选择搜索
5.1.3 R-CNN网络架构及训练过程
5.2 目标检测指标——二分类器
5.3 R-CNN目标检测模型评估结果
5.3.1 R-CNN用于细粒度类别检测
5.3.2 R-CNN用于目标检测与分割
5.4 R-CNN的缺陷和Fast R-CNN的改进
5.4.1 R-CNN的缺陷
5.4.2 感兴趣区域池化
5.4.3 Fast R-CNN创新损失函数设计
5.5 Fast R-CNN网络架构和模型评估
5.5.1 Fast R-CNN模型工作流程
5.5.2 Fast R-CNN网络架构
5.5.3 RoI池化反向传播方法
5.5.4 Fast R-CNN结果评估
5.6 Fast R-CNN的创新
5.6.1 Faster R-CNN的创新思想
5.6.2 替代选择搜索的锚框
5.6.3 区域建议网络
5.7 深入剖析Faster R-CNN中边界框回归
5.7.1 为什么使用边界框回归
5.7.2 边界框回归的数学支撑
5.8 Faster R-CNN的全景架构和损失函数
5.9 Faster R-CNN的训练步骤及测试步骤
5.9.1 Faster R-CNN的训练步骤
5.9.2 Faster R-CNN的测试步骤
5.10 详细讲解Faster R-CNN关键部分RoI代码
第6章 目标检测的一阶段学习方法
6.1 YOLO目标检测思想
6.1.1 改进思想
6.1.2 网格单元
6.1.3 YOLO创新细节
6.2 YOLO的网络结构、网络与损失函数
6.2.1 YOLO的网络结构
6.2.2 YOLO的网络训练与损失函数
6.3 YOLO模型评估、优劣势分析
6.3.1 YOLO数据集
6.3.2 YOLO模型评估
6.3.3 YOLO模型优缺点
6.4 YOLOv2实现更好、更快、更强
6.5 YOLOv2改进YOLOv1——更好
6.5.1 批归一化
6.5.2 高分辨率分类器
6.5.3 预设锚框并采用全卷积
6.5.4 框聚类
