深度学习是近年来计算机视觉应用在多个方面取得步的驱动力。本书以实践为驱动，结合具体应用场景，基于真实数据集全面系统地介绍如何使用PyTorch解决50多个计算机视觉问题。 首先，你将学习使用NumPy和PyTorch从头始构建神经网络（NN），并了解调整神经网络超参数的最佳实践。然后，你将学习如何使用卷积神经网络（CNN）和迁移学习完成图像分类任务，并且理解其中的工作原理。随后，你将学习二维和三维多目标检测、图像分割、人体姿态估计等多个实际任务，并使用R-CNN、Fast R-CNN、Faster R-CNN、SSD、YOLO、U-Net、Mask R-CNN、Detectron2等框架实现这些任务。在自编码器和GAN部分，本书将指导你学习面部表情替换、面部图像生成和面部表情处理技术。之后，你将学习如何将计算机视觉与NLP技术（LSTM、transformer等）和强化学习技术（深度Q学习等）相结合，实现OCR、图像标题生成、目标检测和汽车自动驾驶智能体等应用。最后，你将学习如何将神经网络模型部署到AWS云等实际应用场景。
售 价：¥
纸质售价：¥111.70购买纸书
6.6
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
译者序
前言
第一部分 面向计算机视觉的深度学习基础知识
CHAPTER 1 第1章 人工神经网络基础
1.1 比较人工智能与传统机器学习
1.2 人工神经网络的构建模块
1.3 实现前向传播
1.4 实现反向传播
1.5 整合前向传播与反向传播
1.6 理解学习率的影响
1.7 总结神经网络的训练过程
1.8 小结
1.9 课后习题
CHAPTER 2 第2章 PyTorch基础
2.1 安装PyTorch
2.2 PyTorch张量
2.3 使用PyTorch构建神经网络
2.4 使用序贯方法构建神经网络
2.5 保存并加载PyTorch模型
2.6 小结
2.7 课后习题
CHAPTER 3 第3章 使用PyTorch构建深度神经网络
3.1 表示图像
3.2 为什么要使用神经网络进行图像分析
3.3 为图像分类准备数据
3.4 训练神经网络
3.5 缩放数据集以提升模型准确度
3.6 理解不同批大小的影响
3.7 理解不同损失优化器的影响
3.8 理解不同学习率的影响
3.9 理解不同学习率衰减的影响
3.10 构建更深的神经网络
3.11 理解不同批归一化的影响
3.12 过拟合的概念
3.13 小结
3.14 课后习题
第二部分 物体分类与目标检测
CHAPTER 4 第4章 卷积神经网络
4.1 传统深度神经网络的问题
4.2 CNN的构建模块
4.3 实现CNN
4.4 使用深度CNN分类图像
4.5 实现数据增强
4.6 特征学习结果的可视化
4.7 构建对真实图像进行分类的CNN
4.8 小结
4.9 课后习题
CHAPTER 5 第5章 面向图像分类的迁移学习
5.1 迁移学习简介
5.2 理解VGG16架构
5.3 理解ResNet架构
5.4 实现人脸关键点检测
5.5 多任务学习——实现年龄估计和性别分类
5.6 torch_snippets库简介
5.7 小结
5.8 课后习题
CHAPTER 6 第6章 图像分类的实战技术
6.1 生成CAM
6.2 数据增强和批归一化
6.3 模型实现的实践要点
6.4 小结
6.5 课后习题
CHAPTER 7 第7章 目标检测基础
7.1 目标检测简介
7.2 为训练图像样本创建真值
7.3 理解区域建议
7.4 理解IoU
7.5 非极大抑制
7.6 mAP
7.7 训练基于R-CNN的定制目标检测器
7.8 训练基于Fast R-CNN的定制目标检测器
7.9 小结
7.10 课后习题
CHAPTER 8 第8章 目标检测进阶
8.1 现代目标检测算法的组成
8.2 基于定制数据集训练Faster R-CNN
8.3 YOLO的工作细节
8.4 基于定制数据集训练YOLO
8.5 SSD模型的工作细节
8.6 基于定制数据集训练SSD模型
8.7 小结
8.8 课后习题
CHAPTER 9 第9章 图像分割
9.1 探索U-Net架构
9.2 使用U-Net实现语义分割
9.3 探索Mask R-CNN架构
9.4 使用Mask R-CNN实现实例分割
9.5 小结
9.6 课后习题
CHAPTER 10 第10章 目标检测与分割的应用
10.1 多目标实例分割
10.2 人体姿态检测
10.3 人群计数
10.4 图像着色
10.5 面向点云的三维目标检测
10.6 小结
第三部分 图像处理
CHAPTER 11 第11章 自编码器与图像处理
11.1 理解自编码器
11.2 理解卷积自编码器
11.3 理解变分自编码器
11.4 图像对抗性攻击
11.5 图像风格迁移
11.6 生成深度虚拟图像
11.7 小结
11.8 课后习题
CHAPTER 12 第12章 基于GAN的图像生成
12.1 GAN模型简介
12.2 使用GAN生成手写数字
12.3 使用DCGAN生成人脸图像
12.4 实现条件GAN模型
12.5 小结
12.6 课后习题
CHAPTER 13 第13章 高级GAN图像处理
13.1 使用Pix2Pix GAN模型
13.2 使用CycleGAN模型
13.3 在定制图像上使用StyleGAN模型
13.4 超分辨率GAN
13.5 小结
13.6 课后习题
第四部分 计算机视觉与其他技术
CHAPTER 14 第14章 使用小样本进行模型训练
14.1 实现零样本学习
14.2 实现小样本学习
14.3 小结
14.4 课后习题
CHAPTER 15 第15章 计算机视觉与NLP
15.1 RNN模型简介
15.2 LSTM架构简介
15.3 生成图像标题
15.4 转录手写图像
15.5 使用DETR进行目标检测
15.6 小结
15.7 课后习题
CHAPTER 16 第16章 计算机视觉与强化学习
16.1 强化学习基础知识
16.2 实现Q学习
16.3 实现深度Q学习
16.4 目标固定的深度Q学习
16.5 实现自动驾驶智能体
16.6 小结
16.7 课后习题
CHAPTER 17 第17章 模型的实际应用部署
17.1 API基础知识
17.2 在本地服务器上创建API并进行预测
17.3 将API部署到云端
17.4 小结
CHAPTER 18 第18章 使用OpenCV实用程序进行图像分析
18.1 图像中的单词检测
18.2 图像中的车道线检测
18.3 基于颜色的目标检测
18.4 构建全景图像
18.5 图像中的车牌检测
18.6 小结
附录 课后习题答案
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
