深度學(xué)習(xí)與目標(biāo)檢測：工具、原理與算法

前言
第1章　目標(biāo)檢測概述 1
1.1　什么是目標(biāo)檢測 1
1.2　典型的應(yīng)用場景 2
1.2.1　人臉識別 2
1.2.2　智慧交通 2
1.2.3　工業(yè)檢測 3
1.3　目標(biāo)檢測技術(shù)發(fā)展簡史 3
1.3.1　傳統(tǒng)算法 4
1.3.2　深度學(xué)習(xí)算法 5
1.4　目標(biāo)檢測領(lǐng)域重要的公開評測集 8
1.5　本章小結(jié) 11
第2章　目標(biāo)檢測前置技術(shù) 12
2.1　深度學(xué)習(xí)框架 12
2.1.1　Theano 12
2.1.2　TensorFlow 13
2.1.3　MXNet 14
2.1.4　Keras 15
2.1.5　PyTorch 15
2.1.6　Caffe 16
2.2　搭建開發(fā)環(huán)境 17
2.2.1　Anaconda 17
2.2.2　Conda 19
2.2.3　PyTorch的下載與安裝 21
2.3　NumPy使用詳解 22
2.3.1　創(chuàng)建數(shù)組 22
2.3.2　創(chuàng)建NumPy數(shù)組 24
2.3.3　獲取NumPy屬性 27
2.3.4　NumPy數(shù)組索引 28
2.3.5　切片 28
2.3.6　NumPy中的矩陣運算 29
2.3.7　數(shù)據(jù)類型轉(zhuǎn)換 31
2.3.8　NumPy的統(tǒng)計計算方法 31
2.3.9　NumPy中的arg運算 32
2.3.10　FancyIndexing 33
2.3.11　NumPy數(shù)組比較 33
2.4　本章小結(jié) 35
第3章　卷積神經(jīng)網(wǎng)絡(luò) 36
3.1　卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 36
3.1.1　全連接層 36
3.1.2　卷積層 37
3.1.3　池化層 42
3.1.4　三維數(shù)據(jù)的卷積運算 44
3.1.5　批規(guī)范化層 45
3.1.6　Dropout層 47
3.2　本章小結(jié) 48
第4章　數(shù)據(jù)預(yù)處理 49
4.1　數(shù)據(jù)增強(qiáng) 49
4.1.1　resize操作 50
4.1.2　crop操作 51
4.1.3　隨機(jī)的水平和豎直翻轉(zhuǎn) 52
4.1.4　隨機(jī)角度的旋轉(zhuǎn) 53
4.1.5　亮度、對比度和顏色的隨機(jī)變化 54
4.1.6　彩色圖轉(zhuǎn)灰度圖 55
4.2　數(shù)據(jù)的探索—Kaggle貓狗大戰(zhàn) 56
4.3　本章小結(jié) 64
第5章　常見卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 65
5.1　LeNet神經(jīng)網(wǎng)絡(luò) 65
5.2　AlexNet神經(jīng)網(wǎng)絡(luò) 70
5.3　VGGNet神經(jīng)網(wǎng)絡(luò) 77
5.4　GoogLeNet神經(jīng)網(wǎng)絡(luò) 81
5.4.1　inception模塊 83
5.4.2　GoogLeNet的實現(xiàn) 85
5.4.3　GoogLeNet的演變 88
5.5　ResNet 89
5.5.1　殘差模塊 90
5.5.2　ResNet模型 92
5.6　DenseNet 92
5.7　其他網(wǎng)絡(luò)結(jié)構(gòu) 95
5.8　實戰(zhàn)案例 96
5.9　計算圖像數(shù)據(jù)集的RGB均值和方差 98
5.10　本章小結(jié) 99
第6章　mmdetection工具包介紹 100
6.1　mmdetection概要 100
6.2　mmdetection支持的檢測框架和算法實現(xiàn) 101
6.3　搭建mmdetection開發(fā)環(huán)境 102
6.4　使用入門 103
6.4.1　使用預(yù)訓(xùn)練模型進(jìn)行推理 103
6.4.2　訓(xùn)練模型 105
6.4.3　有用的工具 106
6.4.4　如何使用mmdetection 108
6.5　標(biāo)注圖像 110
6.6　實戰(zhàn)案例 112
6.6.1　檢測人體 113
6.6.2　檢測貓和狗 115
6.7　本章小結(jié) 120
第7章　目標(biāo)檢測的基本概念 121
7.1　概念詳解 121
7.1.1　IoU計算 122
7.1.2　NMS操作 122
7.1.3　感受野 124
7.1.4　空洞卷積 128
7.1.5　評價指標(biāo)mAP 129
7.2　本章小結(jié) 131
第8章　兩階段檢測方法 132
8.1　R-CNN算法 132
8.1.1　生成候選區(qū)域 132
8.1.2　類別判定 133
8.1.3　位置修正 136
8.1.4　檢測過程 137
8.1.5　R-CNN算法的重要意義 138
8.2　SPP-Net算法 139
8.2.1　空間金字塔采樣 139
8.2.2　網(wǎng)絡(luò)訓(xùn)練 141
8.2.3　測試過程 142
8.3　Fast R-CNN算法及訓(xùn)練過程 143
8.3.1　ROI池化層 144
8.3.2　模型訓(xùn)練 144
8.3.3　測試過程 147
8.4　Faster R-CNN算法及訓(xùn)練過程 147
8.4.1　候選框提取網(wǎng)絡(luò) 148
8.4.2　RPN和Fast R-CNN共享特征的方法 152
8.5　Faster R-CNN代碼解析 153
8.5.1　代碼整體結(jié)構(gòu) 153
8.5.2　數(shù)據(jù)加載 158
8.5.3　構(gòu)建主干網(wǎng)絡(luò) 160
8.5.4　候選框提取網(wǎng)絡(luò) 161
8.5.5　對候選框進(jìn)行分類和位置校正 163
8.5.6　算法模型架構(gòu)圖 165
8.6　本章小結(jié) 165
第9章　檢測算法的進(jìn)一步改進(jìn) 167
9.1　特征金字塔 167
9.1.1　特征金字塔結(jié)構(gòu) 167
9.1.2　FPN代碼解析 170
9.2　焦點損失函數(shù) 174
9.3　本章小結(jié) 175
第10章　一階段檢測算法 176
10.1　YOLO算法 176
10.1.1　YOLO第一版 176
10.1.2　YOLO第二版 182
10.1.3　YOLO第三版 185
10.2　SSD算法 196
10.2.1　SSD算法原理 197
10.2.2　訓(xùn)練方法 197
10.2.3　SSD代碼解析 201
10.3　FCOS算法 208
10.3.1　FCOS算法原理 208
10.3.2　FCOS源碼解析 213
10.4　本章小結(jié) 217
第11章　工業(yè)AI的發(fā)展 218
11.1　工業(yè)AI的概念和互聯(lián)網(wǎng) 218
11.2　工業(yè)AI落地應(yīng)用 219
11.2.1　工業(yè)AI的典型場景 220
11.2.2　工業(yè)AI落地背后的本質(zhì) 221
11.2.3　展望 221
11.3　工業(yè)生產(chǎn)