计算机视觉实战:基于TensorFlow 2电子书

译者序

前言

作者简介

译者简介

审校者简介

第一部分 TensorFlow 2和应用于计算机视觉的深度学习

第1章 计算机视觉和神经网络

1.1 技术要求

1.2 广义计算机视觉

1.2.1 计算机视觉概述

1.2.2 主要任务及其应用

1.3 计算机视觉简史

1.3.1 迈出成功的第一步

1.3.2 深度学习的兴起

1.4 开始学习神经网络

1.4.1 建立神经网络

1.4.2 训练神经网络

1.5 本章小结

问题

进一步阅读

第2章 TensorFlow基础和模型训练

2.1 技术要求

2.2 TensorFlow 2和Keras入门

2.2.1 TensorFlow

2.2.2 基于Keras的简单计算机视觉模型

2.3 TensorFlow 2和Keras详述

2.3.1 核心概念

2.3.2 高级概念

2.4 TensorFlow生态系统

2.4.1 TensorBoard

2.4.2 TensorFlow插件和扩展

2.4.3 TensorFlow Lite和TensorFlow.js

2.4.4 在何处运行模型

2.5 本章小结

问题

第3章 现代神经网络

3.1 技术要求

3.2 卷积神经网络

3.2.1 用于多维数据的神经网络

3.2.2 CNN操作

3.2.3 有效感受野

3.2.4 在TensorFlow中使用CNN

3.3 训练过程微调

3.3.1 现代网络优化器

3.3.2 正则化方法

3.4 本章小结

问题

进一步阅读

第二部分 先进的经典识别问题解决方案

第4章 主流分类工具

4.1 技术要求

4.2 了解高级CNN架构

4.2.1 VGG：CNN的标准架构

4.2.2 GoogLeNet和Inception模块

4.2.3 ResNet：残差网络

4.3 利用迁移学习

4.3.1 概述

4.3.2 基于TensorFlow和Keras的迁移学习

4.4 本章小结

问题

进一步阅读

第5章 目标检测模型

5.1 技术要求

5.2 目标检测介绍

5.2.1 背景

5.2.2 模型的性能评价

5.3 YOLO：快速目标检测算法

5.3.1 YOLO介绍

5.3.2 使用YOLO推理

5.3.3 训练YOLO

5.4 Faster R-CNN：强大的目标检测模型

5.4.1 Faster R-CNN通用架构

5.4.2 训练Faster R-CNN

5.4.3 TensorFlow目标检测API

5.5 本章小结

问题

进一步阅读

第6章 图像增强和分割

6.1 技术要求

6.2 使用编码器-解码器进行图像变换

6.2.1 编码器-解码器概述

6.2.2 基本示例：图像去噪

6.2.3 卷积编码器-解码器

6.3 理解语义分割

6.3.1 使用编码器-解码器进行目标分割

6.3.2 比较困难的实例分割

6.4 本章小结

问题

进一步阅读

第三部分 高级概念和计算机视觉新进展

第7章 在复杂和稀缺数据集上训练

7.1 技术要求

7.2 高效数据服务

7.2.1 TensorFlow数据API

7.2.2 设置输入流水线

7.2.3 优化和监控输入流水线

7.3 如何处理稀缺数据

7.3.1 增强数据集

7.3.2 渲染合成数据集

7.3.3 利用域适应和生成模型（VAE和GAN）

7.4 本章小结

问题

进一步阅读

第8章 视频和循环神经网络

8.1 技术要求

8.2 RNN简介

8.2.1 基本形式

8.2.2 对RNN的基本理解

8.2.3 学习RNN权重

8.2.4 长短期记忆单元

8.3 视频分类

8.3.1 计算机视觉应用于视频

8.3.2 使用LSTM分类视频

8.4 本章小结

问题

进一步阅读

第9章 优化模型并在移动设备上部署

9.1 技术要求

9.2 优化计算和占用的磁盘空间

9.2.1 测量推理速度

9.2.2 提高模型推理速度

9.2.3 当模型依旧很慢时

9.2.4 减小模型大小

9.3 基于终端设备的机器学习

9.3.1 考虑因素

9.3.2 实践

9.4 app示例：识别面部表情

9.4.1 MobileNet简介

9.4.2 在终端设备上部署模型

9.5 本章小结

问题

附录

参考文献

问题答案