深度学习高手笔记（卷2）：经典应用

封面

版权信息

版权

内容提要

献词

序1

序2

前言

资源与支持

资源获取

第一篇 目标检测与分割

第1章 双阶段检测

1.1 R-CNN

1.1.1 R-CNN检测流程

1.1.2 候选区域提取

1.1.3 预训练及微调

1.1.4 训练数据准备

1.1.5 NMS

1.1.6 小结

1.2 SPP-Net

1.2.1 空间金字塔池化

1.2.2 SPP-Net的推理流程

1.2.3 小结

1.3 Fast R-CNN

1.3.1 Fast R-CNN算法介绍

1.3.2 数据准备

1.3.3 Fast R-CNN网络结构

1.3.4 多任务损失函数

1.3.5 Fast R-CNN的训练细节

1.3.6 Fast R-CNN的推理流程

1.3.7 小结

1.4 Faster R-CNN

1.4.1 区域候选网络

1.4.2 Faster R-CNN的训练

1.4.3 小结

1.5 R-FCN

1.5.1 提出动机

1.5.2 R-FCN的网络

1.5.3 R-FCN结果可视化

1.5.4 小结

1.6 Mask R-CNN

1.6.1 Mask R-CNN的动机

1.6.2 Mask R-CNN详解

1.6.3 小结

1.7 MaskX R-CNN

1.7.1 权值迁移函数T

1.7.2 MaskX R-CNN的训练

1.7.3 小结

1.8 DCNv1和DCNv2

1.8.1 DCNv1

1.8.2 DCNv2

1.8.3 小结

第2章 单阶段检测

2.1 YOLOv1

2.1.1 YOLOv1的网络结构

2.1.2 损失函数

2.1.3 小结

2.2 SSD和DSSD

2.2.1 SSD

2.2.2 DSSD

2.2.3 小结

2.3 YOLOv2

2.3.1 YOLOv2：更快，更高

2.3.2 YOLO9000：更强

2.3.3 小结

2.4 YOLOv3

2.4.1 多标签任务

2.4.2 骨干网络

2.4.3 多尺度特征

2.4.4 锚点聚类

2.4.5 YOLOv3一些失败的尝试

2.4.6 小结

2.5 YOLOv4

2.5.1 背景介绍

2.5.2 数据

2.5.3 模型

2.5.4 后处理

2.5.5 YOLOv4改进介绍

2.5.6 小结

第3章 无锚点检测

3.1 DenseBox

3.1.1 DenseBox的网络结构

3.1.2 多任务模型

3.1.3 训练数据

3.1.4 结合关键点检测

3.1.5 测试

3.1.6 小结

3.2 CornerNet

3.2.1 背景

3.2.2 CornerNet详解

3.2.3 小结

3.3 CornerNet-Lite

3.3.1 CornerNet-Saccade

3.3.2 CornerNet-Squeeze

3.3.3 小结

3.4 CenterNet

3.4.1 网络结构

3.4.2 数据准备

3.4.3 损失函数

3.4.4 推理过程