人工智能 类型
8.2 豆瓣评分
可以朗读 语音朗读
236千字 字数
2019-11-01 发行日期
展开全部

主编推荐语

从实战角度给出了多种解决方法，便于读者更深入地掌握物体检测技术，做到灵活应用。

内容简介

本书从概念、发展、经典实现方法等几个方面系统地介绍了物体检测的相关知识，重点介绍了Faster RCNN、SDD和YOLO这三个经典的检测器，并利用PyTorch框架从代码角度进行了细致讲解。另外，本书进一步介绍了物体检测的轻量化网络、细节处理、难点问题及未来的发展趋势。

目录

  • 版权信息
  • 前言
  • 第1篇 物体检测基础知识
  • 第1章 浅谈物体检测与PyTorch
  • 1.1 深度学习与计算机视觉
  • 1.2 物体检测技术
  • 1.3 PyTorch简介
  • 1.4 基础知识准备
  • 1.5 总结
  • 第2章 PyTorch基础
  • 2.1 基本数据：Tensor
  • 2.2 Autograd与计算图
  • 2.3 神经网络工具箱torch.nn
  • 2.4 模型处理
  • 2.5 数据处理
  • 2.6 总结
  • 第3章 网络骨架：Backbone
  • 3.1 神经网络基本组成
  • 3.2 走向深度：VGGNet
  • 3.3 纵横交错：Inception
  • 3.4 里程碑：ResNet
  • 3.5 继往开来：DenseNet
  • 3.6 特征金字塔：FPN
  • 3.7 为检测而生：DetNet
  • 3.8 总结
  • 第2篇 物体检测经典框架
  • 第4章 两阶经典检测器：Faster RCNN
  • 4.1 RCNN系列发展历程
  • 4.2 准备工作
  • 4.3 Faster RCNN总览
  • 4.4 详解RPN
  • 4.5 RoI Pooling层
  • 4.6 全连接RCNN模块
  • 4.7 Faster RCNN的改进算法
  • 4.8 总结
  • 第5章 单阶多层检测器：SSD
  • 5.1 SSD总览
  • 5.2 数据预处理
  • 5.3 网络架构
  • 5.4 匹配与损失求解
  • 5.5 SSD的改进算法
  • 5.6 总结
  • 第6章 单阶经典检测器：YOLO
  • 6.1 无锚框预测：YOLO v1
  • 6.2 依赖锚框：YOLO v2
  • 6.3 多尺度与特征融合：YOLO v3
  • 6.4 总结
  • 第3篇 物体检测的难点与发展
  • 第7章 模型加速之轻量化网络
  • 7.1 压缩再扩展：SqueezeNet
  • 7.2 深度可分离：MobileNet
  • 7.3 通道混洗：ShuffleNet
  • 7.4 总结
  • 第8章 物体检测细节处理
  • 8.1 非极大值抑制：NMS
  • 8.2 样本不均衡问题
  • 8.3 模型过拟合
  • 8.4 总结
  • 第9章 物体检测难点
  • 9.1 多尺度检测
  • 9.2 拥挤与遮挡
  • 9.3 总结
  • 第10章 物体检测的未来发展
  • 10.1 重新思考物体检测
  • 10.2 摆脱锚框：Anchor-Free
  • 10.3 总结
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

机械工业出版社有限公司

机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。