我们无聊时见
  • 首页
  • 巨人肩膀
  • 深度学习与计算机视觉 算法原理、框架应用与代码实现

作者:admin2018-6-16 12:55分类: 巨人肩膀 标签: OPENCV phython

本书全面介绍了深度学习及计算机视觉中基础的知识,并结合常见的应用场景和大量实例,带领读者进入丰富多彩的计算机视觉领域。作为一本“原理+实践”教程,本书在讲解原理的基础上,通过有趣的实例带领读者一步步亲自动手,不断提高动手能力,而不是枯燥和深奥原理的堆砌。

全书共13章,分为2篇。第1篇基础知识,介绍了人工智能发展历程、计算机视觉概要、深度学习和计算机视觉中的基础数学知识、神经网络及其相关的机器学习基础、卷积神经网络及其一些常见结构,最后对前沿的趋势进行了简单探讨。第2篇实例精讲,介绍了Python基础、OpneCV基础、简单的分类神经网络、图像识别、利用Caffe做回归、迁移学习和模型微调、目标检测、度量学习和图像风格迁移等常见的计算机视觉应用场景。本书从第5章开始包含很多有趣和实用的代码示例。从第7章开始的所有实例都基于当前流行的深度学习框架Caffe和MXNet,其中包含作者原创的大量代码和搜集的数据,这些代码和作者训练好的部分模型已分享到本书github页面上供读者自行下载。

本书适合对人工智能、机器学习、深度学习和计算机视觉感兴趣的读者阅读。阅读本书要求读者具备一定的数学基础和基本的编程能力,并需要读者了解Linux的基本使用。

一分钟了
                            解本书精华内容

引言

深度学习和计算机视觉中的基础数学知识

神经网络和机器学习基础

深度卷积神经网络

Python基础

OpenCV基础

Hello World!

简单的图片分类——手写数字识别

利用Caffe做回归

迁移学习和模型微调

目标检测

度量学习

图像风格迁移
序言

前言

第1篇 基础知识

第1章 引言 2

1.1 人工智能的新焦点——深度学习 2

1.1.1 人工智能——神话传说到影视漫画 2

1.1.2 人工智能的诞生 3

1.1.3 神经科学的研究 4

1.1.4 人工神经网络的兴起 5

1.1.5 神经网络的第一次寒冬 6

1.1.6 神经网络的第一次复兴 8

1.1.7 神经网络的第二次寒冬 9

1.1.8 2006年——深度学习的起点 10

1.1.9 生活中的深度学习 11

1.1.10 常见深度学习框架简介 12

1.2 给计算机一双眼睛——计算机视觉 14

1.2.1 计算机视觉简史 14

1.2.2 2012年——计算机视觉的新起点 16

1.2.3 计算机视觉的应用 17

1.2.4 常见计算机视觉工具包 19

1.3 基于深度学习的计算机视觉 19

1.3.1 从ImageNet竞赛到AlphaGo战胜李世石——计算机视觉超越人类 19

1.3.2 GPU和并行技术——深度学习和计算视觉发展的加速器 21

1.3.3 基于卷积神经网络的计算机视觉应用 22

第2章 深度学习和计算机视觉中的基础数学知识 27

2.1 线性变换和非线性变换 27

2.2 概率论及相关基础知识 43

2.3 维度的诅咒 50

2.4 卷积 66

2.5 数学优化基础 71

第3章 神经网络和机器学习基础 87

3.1 感知机 87

3.2 神经网络基础 89

3.3 后向传播算法 95

3.4 随机梯度下降和批量梯度下降 104

3.5 数据、训练策略和规范化 108

3.6 监督学习、非监督学习、半监督学习和强化学习 117

第4章 深度卷积神经网络 120

4.1 卷积神经网络 120

4.2 LeNet——第一个卷积神经网络 132

4.3 新起点——AlexNet 133

4.4 更深的网络——GoogLeNet 136

4.5 更深的网络——ResNet 142

第2篇 实例精讲

第5章 Python基础 148

5.1 Python简介 148

5.2 Python基本语法 150

5.3 Python的科学计算包——NumPy 167

5.4 Python的可视化包——matplotlib 175

第6章 OpenCV基础 182

6.1 OpenCV简介 182

6.2 Python-OpenCV基础 184

6.3 用OpenCV实现数据增加小工具 193

6.4 用OpenCV实现物体标注小工具 203

第7章 Hello World! 212

7.1 用MXNet实现一个神经网络 212

7.2 用Caffe实现一个神经网络 219

第8章 最简单的图片分类——手写数字识别 227

8.1 准备数据——MNIST 227

8.2 基于Caffe的实现 228

8.3 基于MXNet的实现 242

第9章 利用Caffe做回归 249

9.1 回归的原理 249

9.2 预测随机噪声的频率 250

第10章 迁移学习和模型微调 264

10.1 吃货必备——通过Python采集美食图片 264

10.2 美食分类模型 271

第11章 目标检测 288

11.1 目标检测算法简介 288

11.2 基于PASCAL VOC数据集训练SSD模型 296

第12章 度量学习 304

12.1 距离和度量学习 304

12.2 用MNIST训练Siamese网络 307

第13章 图像风格迁移 317

13.1 风格迁移算法简介 317

13.2 MXNet中的图像风格迁移例子 320     

温馨提示如有转载或引用以上内容之必要,敬请将本文链接作为出处标注,谢谢合作!

已有 0/654 人参与

发表评论:

欢迎使用手机扫描访问本站。