基於深度學習的目標檢測原理與應用 翟中華 孫雲龍 陸澍暘 9787121460319 【台灣高等教育出版社】
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：電子工業
物品所在地：中國大陸
原出版社：電子工業
NT$687
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *完成訂單後正常情形下約兩周可抵台。 *本賣場提供之資訊僅供參考，以到貨標的為正確資訊。 印行年月：202308*若逾兩年請先於私訊洽詢存貨情況，謝謝。 台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。 書名：基於深度學習的目標檢測原理與應用 ISBN：9787121460319 出版社：電子工業 著編譯者：翟中華 孫雲龍 陸澍暘 叢書名：人工智慧前沿理論與技術應用叢書 頁數：287 所在地：中國大陸 *此為代購商品 書號：1577720 可大量預訂，請先連絡。 內容簡介 本書遵循循序漸進、深入淺出的理念，引領讀者夯實相關基礎知識，掌握傳統目標檢測方法，再逐步過渡到深度學習的基本概念及分類用法，進而深入講解目標檢測的兩階段深度學習方法、一階段學習方法，即從以R-CNN為代表的兩階段深度學習方法、以YOLO系列為代表的一階段學習方法等，層層揭開深度學慣用于目標檢測的「神秘面紗」，探究其中的奧秘。 本書適合目標檢測領域的工程師、研究員閱讀，也可作為深度學習相關專業本科生、研究生的重要參考書，還可作為互聯網行業IT技術人員轉型學習人工智慧的參考用書、可登錄華信教育資源網下載相關代碼。目錄 第1章 計算機視覺及目標檢測1 1 計算機視覺原理 1 1 1 人類視覺與計算機視覺比較 1 1 2 計算機視覺應用展現 1 2 目標檢測概述 1 2 1 計算機視覺三大主要任務 1 2 2 目標檢測的應用 1 2 3 目標檢測面臨的挑戰 1 2 4 目標檢測方法 第2章 計算機視覺數學、編程基礎 2 1 向量、矩陣和卷積 2 1 1 向量 2 1 2 矩陣 2 1 3 卷積 2 2 函數極值理論與非極大值抑制 2 2 1 函數極值理論 2 2 2 非極大值抑制 2 3 跨平台計算機視覺和機器學習軟體庫OpenCV基礎 2 3 1 OpenCV的歷史起源 2 3 2 安裝OpenCV 2 3 3 OpenCV圖像和視頻的讀/寫 2 3 4 OpenCV基本操作 2 3 5 OpenCV顏色空間轉換 2 3 6 OpenCV幾何變換 2 3 7 OpenCV圖像簡單閾值處理 2 3 8 OpenCV形態學轉換 2 3 9 OpenCV圖像梯度 2 4 PyTorch基礎 2 4 1 PyTorch簡介 2 4 2 PyTorch安裝 2 4 3 張量 2 4 4 基本代碼操作 2 4 5 PIL圖像格式轉換 2 4 6 PyTorch自動求導機制 2 4 7 PyTorch的神經網路nn包 第3章 OpenCV目標檢測實戰 3 1 Haar特徵與積分圖像構建演算法 3 1 1 Haar特徵 3 1 2 積分圖像構建演算法 3 2 AdaBoost應用於Haar人臉特徵分類 3 3 AdaBoost級聯應用於Haar特徵人臉檢測 3 4 利用OpenCV進行基於Haar特徵的人臉檢測實戰 第4章 深度學習引入及圖像分類實戰 4 1 卷積神經網路的重要概念 4 2 卷積神經網路訓練技巧及經典架構 4 3 設計卷積神經網路進行圖像分類 4 4 選擇卷積神經網路損失函數及優化器 4 5 改進卷積神經網路以提高圖像分類準確率 第5章 目標檢測的兩階段深度學習方法 5 1 R-CNN目標檢測思想 5 1 1 目標檢測數據集 5 1 2 從滑動窗口到選擇搜索 5 1 3 R-CNN網路架構及訓練過程 5 2 目標檢測指標——二分類器 5 3 R-CNN目標檢測模型評估結果 5 3 1 R-CNN用於細粒度類別檢測 5 3 2 R-CNN用於目標檢測與分割 5 4 R-CNN的缺陷和Fast R-CNN的改進 5 4 1 R-CNN的缺陷 5 4 2 感興趣區域池化 5 4 3 Fast R-CNN創新損失函數設計 5 5 Fast R-CNN網路架構和模型評估 5 5 1 Fast R-CNN模型工作流程 5 5 2 Fast R-CNN網路架構 5 5 3 RoI池化反向傳播方法 5 5 4 Fast R-CNN結果評估 5 6 Fast R-CNN的創新 5 6 1 Faster R-CNN的創新思想 5 6 2 替代選擇搜索的錨框 5 6 3 區域建議網路 5 7 深入剖析Faster R-CNN中邊界框回歸 5 7 1 為什麼使用邊界框回歸 5 7 2 邊界框回歸的數學支撐 5 8 Faster R-CNN的全景架構和損失函數 5 9 Faster R-CNN的訓練步驟及步驟 5 9 1 Faster R-CNN的訓練步驟 5 9 2 Faster R-CNN的步驟 5 10 詳細講解Faster R-CNN關鍵部分RoI代碼 第6章 目標檢測的一階段學習方法 6 1 YOLO目標檢測思想 6 1 1 改進思想 6 1 2 網格單元 6 1 3 YOLO創新細節 6 2 YOLO的網路結構、網路與損失函數 6 2 1 YOLO的網路結構 6 2 2 YOLO的網路訓練與損失函數 6 3 YOLO模型評估、優劣勢分析 6 3 1 YOLO數據集 6 3 2 YOLO模型評估 6 3 3 YOLO模型優缺點 6 4 YOLOv2實現更好、更快、更強 6 5 YOLOv2改進YOLOv1——更好 6 5 1 批歸一化 6 5 2 高解析度分類器 6 5 3 預設錨框並採用全卷積 6 5 4 框聚類 6 5 5 約束邊框位置 6 5 6 細粒度特徵 6 5 7 多尺度訓練 6 5 8 實驗對比 6 6 YOLOv2使用Darknet-19——更快 6 6 1 Darknet-19 6 6 2 三階段訓練 6 6 3 YOLOv2的損失函數 6 7 使用WordTree的YOLO9000——更強 6 7 1 組合兩種數據集的必要性 6 7 2 構建WordTree進行分層分類 6 7 3 在組合數據集上訓練YOLO9000 第7章 YOLOv3創新思想及整體架構 7 1 YOLOv3的創新改進 7 2 YOLOv3的關鍵創新點 7 2 1 106層的Darknet-53主幹網路架構 7 2 2 三級檢測 7 2 3 更擅長檢測較小的物體 7 2 4 更多的錨框 7 2 5 損失函數 7 3 YOLOv3的三級檢測輸出過程 7 4 YOLOv3的非極大值抑制 7 5 YOLOv3的檢測效果 7 6 SSD多尺度特徵圖目標檢測思想 7 7 SSD網路架構 7 7 1 SSD網路基礎架構 7 7 2 擴張卷積 7 7 3 SSD與YOLOv3 7 7 4 SSD網路檢測物體方法 7 8 SSD網路損失函數 7 8 1 默認框匹配策略 7 8 2 損失函數 7 9 SSD較YOLOv3的劣勢 第8章 構建Darknet-53網路實踐 8 1 Darknet-53網路工程結構和配置 8 2 實踐代碼 8 3 構建Darknet-53網路前向傳遞過程 詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
