为你推荐
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
1.2 目标检测概述
第2章 计算机视觉数学、编程基础
2.1 向量、矩阵和卷积
2.2 函数极值理论与非极大值抑制
2.3 跨平台计算机视觉和机器学习软件库OpenCV基础
2.4 PyTorch基础
第3章 OpenCV目标检测实战
3.1 Haar特征与积分图像构建算法
3.2 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
5.2 目标检测指标——二分类器
5.3 R-CNN目标检测模型评估结果
5.4 R-CNN的缺陷和Fast R-CNN的改进
5.5 Fast R-CNN网络架构和模型评估
5.6 Fast R-CNN的创新
5.7 深入剖析Faster R-CNN中边界框回归
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
5.10 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
6.2 YOLO的网络结构、网络与损失函数
6.3 YOLO模型评估、优劣势分析
6.4 YOLOv2实现更好、更快、更强
6.5 YOLOv2改进YOLOv1——更好
6.6 YOLOv2 使用Darknet-19——更快
6.7 使用WordTree的YOLO9000——更强
第7章 YOLOv3创新思想及整体架构
7.1 YOLOv3的创新改进
7.2 YOLOv3的关键创新点
7.3 YOLOv3的三级检测输出过程
7.4 YOLOv3的非极大值抑制
7.5 YOLOv3的检测效果
7.6 SSD多尺度特征图目标检测思想
7.7 SSD网络架构
7.8 SSD网络损失函数
7.9 SSD较YOLOv3的劣势
第8章 构建Darknet-53网络实践
8.1 Darknet-53网络工程结构和配置
8.2 实践代码
8.3 构建Darknet-53网络前向传递过程
8.4 YOLOv3 实现检测层特征图到边界的预测值转变
8.5 YOLOv3 演示边框生成过程
8.6 YOLOv3 处理低阈值边框
8.7 YOLOv3 非极大值抑制过程
8.8 YOLOv3演示NMS过程找到最优框
8.9 YOLOv3实现工业工具检测
第9章 YOLOv4目标检测方法
9.1 YOLOv4目标检测创新路径及技巧体系
9.2 YOLOv4大型网络架构及其主要创新改进
9.3 YOLOv4中的激活函数
9.4 YOLOv4中的损失函数C-IoU
9.5 YOLOv4中的新型批标准化
第10章 EfficientDet目标检测方法
10.1 复合缩放
10.2 双向特征金字塔网络
10.3 EfficientDet体系结构
10.4 EfficientDet推理效果和不足之处
参考文献
反侵权盗版声明
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
6.6
