未读消息消息

购物车

我的订单

个人中心

店铺

我的订单收藏

拍卖

拍卖交易我的竞拍收藏

我的好友资金账户

卖家中心

客服 |

帮助中心 9:00-20:30 在线留言

客服电话

010-89648155

服务时间

客服咨询 8:00-21:00

纠纷处理 9:00-21:00

图书审核 9:00-18:00

监督与建议

请选择

手机孔网

深度学习与目标检测（第2版）

作者: 杜鹏

出版社: 电子工业出版社

出版时间: 2022-11

版次: 1

ISBN: 9787121444425

定价: 118.00

装帧: 其他

页数: 288页

分类: 计算机与互联网

3人买过

本书的写作初衷是，从学者的角度，用一种通俗易懂的方式，将基于深度学习的目标检测的相关论文中的理论和方法呈现给读者，同时针对作者在深度学习教学过程中遇到的难点，进行深入的分析和讲解。本书侧重对卷积神经网络的介绍，而深度学习的内容不止于此。所以，作者将深度学习分为有监督学习、无监督学习和强化学习三类，将图像分类、目标检测、人脸识别、语音识别、双向生成对抗网络和AlphaGo等应用场景归入不同的类别，并分别对其原理进行了概括性的讲解。本书适合有一定深度学习或目标检测学习基础的学生、研究者、从业者阅读。杜鹏，博士，华为?N腾AI技术专家，主要研究方向为异构计算、计算机图形学、人工智能等，曾在韩国科学技术院、新加坡南洋理工大学、杭州电子科技大学从事科研与教学工作，在SIGGRAPH、 CVPR、ICCV等国际著名会议发表论文十余篇。苏统华，博士，哈尔滨工业大学副教授、软件学院副院长，主要研究领域包括大规模模式识别与手写汉字识别、深度学习方法与GPU计算等。作为自然手写体中文文本识别的开拓者，建立领域内首款手写中文库（HIT-MW库）。该库为国内外约200家科研院所采用，获得两个国际手写汉字识别竞赛第一名。王波，主要从事位姿估计、图像分割／生成等计算机视觉算法研究与应用，研究成果发表在CVPR、AAAI等国际著名学术会议上。谌明，博士，2004年加入美国道富集团， 2011年加入浙江核新同花顺网络信息股份有限公司并任首席技术官，推动了包括计算机视觉、语音技术、自然语言处理、机器学习等在金融、医疗等领域的商业化落地。第1章　深度学习概述2

1.1　深度学习发展简史2

1.2　有监督学习4

1.2.1　图像分类4

1.2.2　目标检测6

1.2.3　人脸识别10

1.2.4　语音识别13

1.3　无监督学习17

1.3.1　无监督学习概述18

1.3.2　双向生成对抗网络18

1.4　强化学习21

1.4.1　AlphaGo22

1.4.2　AlphaGo Zero24

1.5　小结25

参考资料25

第2章　深度神经网络28

2.1　神经元28

2.2　感知机31

2.3　前向传递32

2.3.1　前向传递的流程33

2.3.2　激活函数34

2.3.3　损失函数38

2.4　后向传递41

2.4.1　后向传递的流程41

2.4.2　梯度下降41

2.4.3　参数修正43

2.5　防止过拟合45

2.5.1　dropout46

2.5.2　正则化46

2.6　小结47

第3章　卷积神经网络48

3.1　卷积层49

3.1.1　valid卷积49

3.1.2　full卷积51

3.1.3　same卷积52

3.2　池化层53

3.3　反卷积54

3.4　感受野56

3.5　卷积神经网络实例57

3.5.1　LeNet-558

3.5.2　AlexNet60

3.5.3　VGGNet63

3.5.4　GoogLeNet66

3.5.5　ResNet76

3.5.6　MobileNet77

3.6　小结79

进阶篇

第4章　两阶段目标检测方法82

4.1　R-CNN82

4.1.1　算法流程82

4.1.2　训练过程83

4.2　SPP-Net87

4.2.1　网络结构87

4.2.2　空间金字塔池化88

4.3　Fast R-CNN89

4.3.1　感兴趣区域池化层90

4.3.2　网络结构91

4.3.3　全连接层计算加速92

4.3.4　目标分类93

4.3.5　边界框回归94

4.3.6　训练过程95

4.4　Faster R-CNN99

4.4.1　网络结构100

4.4.2　RPN101

4.4.3　训练过程107

4.5　R-FCN109

4.5.1　R-FCN网络结构110

4.5.2　位置敏感的分数图111

4.5.3　位置敏感的RoI池化111

4.5.4　R-FCN损失函数113

4.5.5　Caffe网络模型解析113

4.5.6　U-Net117

4.5.7　SegNet118

4.6　Mask R-CNN119

4.6.1　实例分割简介119

4.6.2　COCO数据集的像素级标注121

4.6.3　网络结构121

4.7　小结125

参考资料125

第5章　单阶段目标检测方法126

5.1　SSD126

5.1.1　default box126

5.1.2　网络结构127

5.1.3　Caffe网络模型解析128

5.1.4　训练过程137

5.2　RetinaNet138

5.2.1　FPN139

5.2.2　聚焦损失函数140

5.3　RefineDet 142

5.3.1　网络模型142

5.3.2　Caffe网络模型解析144

5.3.3　训练过程153

5.4　YOLO154

5.4.1　YOLO v1154

5.4.2　YOLO v2157

5.4.3　YOLO v3159

5.5　目标检测算法应用场景举例161

5.5.1　高速公路坑洞检测161

5.5.2　息肉检测162

5.6　小结163

参考资料164

应用篇

第6章　肋骨骨折检测166

6.1　国内外研究现状166

6.2　解决方案168

6.3　预处理168

6.4　肋骨骨折检测169

6.5　实验结果分析170

6.6　小结172

参考资料172

第7章　肺结节检测174

7.1　国内外研究现状174

7.2　总体框架176

7.2.1　肺结节数据集176

7.2.2　肺结节检测难点177

7.2.3　算法框架177

7.3　肺结节可疑位置推荐算法178

7.3.1　CT图像的预处理179

7.3.2　肺结节分割算法180

7.3.3　优化方法182

7.3.4　推断方法184

7.4　可疑肺结节定位算法185

7.5　实验结果与分析（1）186

7.5.1　实验结果186

7.5.2　改进点效果分析186

7.6　假阳性肺结节抑制算法188

7.6.1　假阳性肺结节抑制网络188

7.6.2　优化策略192

7.6.3　推断策略194

7.7　实验结果与分析（2）194

7.7.1　实验结果194

7.7.2　改进点效果分析195

7.7.3　可疑位置推荐算法与假阳性抑制算法的整合196

7.8　小结197

参考资料197

第8章　车道线检测199

8.1　国内外研究现状199

8.2　主要研究内容201

8.2.1　总体解决方案201

8.2.2　各阶段概述202

8.3　车道线检测系统的设计与实现205

8.3.1　车道线图像数据标注与筛选206

8.3.2　车道线图片预处理207

8.3.3　车道线分割模型训练211

8.3.4　车道线检测220

8.3.5　车道线检测结果224

8.4　车道线检测系统性能测试224

8.4.1　车道线检测质量测试224

8.4.2　车道线检测时间测试226

8.5　小结226

参考资料227

第9章　交通视频分析228

9.1　国内外研究现状229

9.2　主要研究内容230

9.2.1　总体设计231

9.2.2　精度和性能要求231

9.3　交通视频分析232

9.3.1　车辆检测和车牌检测232

9.3.2　车牌识别功能设计详解234

9.3.3　车辆品牌及颜色的识别242

9.3.4　目标跟踪设计详解243

9.4　系统测试246

9.4.1　车辆检测247

9.4.2　车牌检测250

9.4.3　车牌识别252

9.4.4　车辆品牌识别255

9.4.5　目标跟踪257

9.5　小结258

参考资料258

第10章　道路坑洞检测260

10.1　系统流程260

10.2　道路坑洞图像生成262

10.2.1　坑洞生成网络262

10.2.2　遮罩生成方法263

10.2.3　图像融合264

10.2.4　基于增广训练集的目标检测265

10.3　实验与分析266

10.3.1　影响因素267

10.3.2　数据增广方法对比268

10.3.3　边缘提取方法对比270

10.3.4　图像融合方法对比271

10.3.5　目标检测273

10.4　小结274

参考资料274
内容简介:
本书的写作初衷是，从学者的角度，用一种通俗易懂的方式，将基于深度学习的目标检测的相关论文中的理论和方法呈现给读者，同时针对作者在深度学习教学过程中遇到的难点，进行深入的分析和讲解。本书侧重对卷积神经网络的介绍，而深度学习的内容不止于此。所以，作者将深度学习分为有监督学习、无监督学习和强化学习三类，将图像分类、目标检测、人脸识别、语音识别、双向生成对抗网络和AlphaGo等应用场景归入不同的类别，并分别对其原理进行了概括性的讲解。本书适合有一定深度学习或目标检测学习基础的学生、研究者、从业者阅读。
作者简介:
杜鹏，博士，华为?N腾AI技术专家，主要研究方向为异构计算、计算机图形学、人工智能等，曾在韩国科学技术院、新加坡南洋理工大学、杭州电子科技大学从事科研与教学工作，在SIGGRAPH、 CVPR、ICCV等国际著名会议发表论文十余篇。苏统华，博士，哈尔滨工业大学副教授、软件学院副院长，主要研究领域包括大规模模式识别与手写汉字识别、深度学习方法与GPU计算等。作为自然手写体中文文本识别的开拓者，建立领域内首款手写中文库（HIT-MW库）。该库为国内外约200家科研院所采用，获得两个国际手写汉字识别竞赛第一名。王波，主要从事位姿估计、图像分割／生成等计算机视觉算法研究与应用，研究成果发表在CVPR、AAAI等国际著名学术会议上。谌明，博士，2004年加入美国道富集团， 2011年加入浙江核新同花顺网络信息股份有限公司并任首席技术官，推动了包括计算机视觉、语音技术、自然语言处理、机器学习等在金融、医疗等领域的商业化落地。
目录:
第1章　深度学习概述2

1.1　深度学习发展简史2

1.2　有监督学习4

1.2.1　图像分类4

1.2.2　目标检测6

1.2.3　人脸识别10

1.2.4　语音识别13

1.3　无监督学习17

1.3.1　无监督学习概述18

1.3.2　双向生成对抗网络18

1.4　强化学习21

1.4.1　AlphaGo22

1.4.2　AlphaGo Zero24

1.5　小结25

参考资料25

第2章　深度神经网络28

2.1　神经元28

2.2　感知机31

2.3　前向传递32

2.3.1　前向传递的流程33

2.3.2　激活函数34

2.3.3　损失函数38

2.4　后向传递41

2.4.1　后向传递的流程41

2.4.2　梯度下降41

2.4.3　参数修正43

2.5　防止过拟合45

2.5.1　dropout46

2.5.2　正则化46

2.6　小结47

第3章　卷积神经网络48

3.1　卷积层49

3.1.1　valid卷积49

3.1.2　full卷积51

3.1.3　same卷积52

3.2　池化层53

3.3　反卷积54

3.4　感受野56

3.5　卷积神经网络实例57

3.5.1　LeNet-558

3.5.2　AlexNet60

3.5.3　VGGNet63

3.5.4　GoogLeNet66

3.5.5　ResNet76

3.5.6　MobileNet77

3.6　小结79

进阶篇

第4章　两阶段目标检测方法82

4.1　R-CNN82

4.1.1　算法流程82

4.1.2　训练过程83

4.2　SPP-Net87

4.2.1　网络结构87

4.2.2　空间金字塔池化88

4.3　Fast R-CNN89

4.3.1　感兴趣区域池化层90

4.3.2　网络结构91

4.3.3　全连接层计算加速92

4.3.4　目标分类93

4.3.5　边界框回归94

4.3.6　训练过程95

4.4　Faster R-CNN99

4.4.1　网络结构100

4.4.2　RPN101

4.4.3　训练过程107

4.5　R-FCN109

4.5.1　R-FCN网络结构110

4.5.2　位置敏感的分数图111

4.5.3　位置敏感的RoI池化111

4.5.4　R-FCN损失函数113

4.5.5　Caffe网络模型解析113

4.5.6　U-Net117

4.5.7　SegNet118

4.6　Mask R-CNN119

4.6.1　实例分割简介119

4.6.2　COCO数据集的像素级标注121

4.6.3　网络结构121

4.7　小结125

参考资料125

第5章　单阶段目标检测方法126

5.1　SSD126

5.1.1　default box126

5.1.2　网络结构127

5.1.3　Caffe网络模型解析128

5.1.4　训练过程137

5.2　RetinaNet138

5.2.1　FPN139

5.2.2　聚焦损失函数140

5.3　RefineDet 142

5.3.1　网络模型142

5.3.2　Caffe网络模型解析144

5.3.3　训练过程153

5.4　YOLO154

5.4.1　YOLO v1154

5.4.2　YOLO v2157

5.4.3　YOLO v3159

5.5　目标检测算法应用场景举例161

5.5.1　高速公路坑洞检测161

5.5.2　息肉检测162

5.6　小结163

参考资料164

应用篇

第6章　肋骨骨折检测166

6.1　国内外研究现状166

6.2　解决方案168

6.3　预处理168

6.4　肋骨骨折检测169

6.5　实验结果分析170

6.6　小结172

参考资料172

第7章　肺结节检测174

7.1　国内外研究现状174

7.2　总体框架176

7.2.1　肺结节数据集176

7.2.2　肺结节检测难点177

7.2.3　算法框架177

7.3　肺结节可疑位置推荐算法178

7.3.1　CT图像的预处理179

7.3.2　肺结节分割算法180

7.3.3　优化方法182

7.3.4　推断方法184

7.4　可疑肺结节定位算法185

7.5　实验结果与分析（1）186

7.5.1　实验结果186

7.5.2　改进点效果分析186

7.6　假阳性肺结节抑制算法188

7.6.1　假阳性肺结节抑制网络188

7.6.2　优化策略192

7.6.3　推断策略194

7.7　实验结果与分析（2）194

7.7.1　实验结果194

7.7.2　改进点效果分析195

7.7.3　可疑位置推荐算法与假阳性抑制算法的整合196

7.8　小结197

参考资料197

第8章　车道线检测199

8.1　国内外研究现状199

8.2　主要研究内容201

8.2.1　总体解决方案201

8.2.2　各阶段概述202

8.3　车道线检测系统的设计与实现205

8.3.1　车道线图像数据标注与筛选206

8.3.2　车道线图片预处理207

8.3.3　车道线分割模型训练211

8.3.4　车道线检测220

8.3.5　车道线检测结果224

8.4　车道线检测系统性能测试224

8.4.1　车道线检测质量测试224

8.4.2　车道线检测时间测试226

8.5　小结226

参考资料227

第9章　交通视频分析228

9.1　国内外研究现状229

9.2　主要研究内容230

9.2.1　总体设计231

9.2.2　精度和性能要求231

9.3　交通视频分析232

9.3.1　车辆检测和车牌检测232

9.3.2　车牌识别功能设计详解234

9.3.3　车辆品牌及颜色的识别242

9.3.4　目标跟踪设计详解243

9.4　系统测试246

9.4.1　车辆检测247

9.4.2　车牌检测250

9.4.3　车牌识别252

9.4.4　车辆品牌识别255

9.4.5　目标跟踪257

9.5　小结258

参考资料258

第10章　道路坑洞检测260

10.1　系统流程260

10.2　道路坑洞图像生成262

10.2.1　坑洞生成网络262

10.2.2　遮罩生成方法263

10.2.3　图像融合264

10.2.4　基于增广训练集的目标检测265

10.3　实验与分析266

10.3.1　影响因素267

10.3.2　数据增广方法对比268

10.3.3　边缘提取方法对比270

10.3.4　图像融合方法对比271

10.3.5　目标检测273

10.4　小结274

参考资料274

查看详情

深度学习与目标检测（第2版）

内容简介:

作者简介:

目录: