更新时间：2025-02-07 17:26:11
封面
版权信息
内容提要
前言
第1章 深度学习与计算机视觉基础
1.1 人工智能简介
1.2 深度学习的崛起以及存在的问题
1.3 神经网络的基本概念
1.3.1 前馈神经网络
1.3.2 反向传播算法
1.3.3 权重系数更新
1.4 卷积神经网络原理
1.4.1 CNN的起源与发展
1.4.2 CNN结构简介
1.4.3 CNN的其他组件
1.5 计算机视觉简介
参考文献
第2章 基于深度学习的图像分类算法
2.1 图像分类——从特征设计到卷积神经网络结构设计
2.2 卷积神经网络结构演化
2.2.1 从LeNet到VGG
2.2.2 Inception系列
2.2.3 ResNet系列
2.2.4 DenseNet系列
2.2.5 SqueezeNet系列
2.2.6 ShuffleNet系列
2.2.7 MobileNet系列
2.3 神经架构搜索
2.4 CNN的计算量与参数计算方法
2.5 小结
第3章 基于深度学习的目标检测算法
3.1 目标检测——从特征设计到深度学习
3.1.1 任务简介
3.1.2 传统的目标检测算法
3.1.3 基于深度学习的目标检测方法
3.2 目标检测的重要概念
3.2.1 交并比和非极大值抑制
3.2.2 难负样本挖掘
3.2.3 边框回归
3.2.4 检测任务中的数据增广
3.2.5 先验框/默认边框/锚框
3.2.6 锚框与真实边框的匹配策略
3.2.7 感受野
3.2.8 RoI特征图映射
3.3 双阶段检测算法
3.3.1 从R-CNN到Fast R-CNN
3.3.2 Faster R-CNN算法原理
3.4 单阶段检测算法
3.4.1 YOLO检测算法
3.4.2 SSD检测算法
3.5 融合单阶段和双阶段的算法
3.5.1 单阶段检测算法及双阶段检测算法的特点
3.5.2 RefineDet：结合单阶段及双阶段优点
3.6 从头训练的检测算法
3.6.1 从头训练的检测算法简介
3.6.2 精心设计CNN实现从头训练
3.6.3 从头训练的本质
3.7 检测任务中的级联设计
3.7.1 传统的级联检测算法
3.7.2 深度学习下的级联检测
3.8 多尺度目标检测
3.8.1 问题描述以及常用方法
3.8.2 多尺度训练/测试
3.8.3 特征金字塔融合多层特征
3.8.4 小尺寸目标检测
3.9 检测任务中的不平衡处理策略
3.9.1 双阶段中的不平衡策略
3.9.2 单阶段中的不平衡策略
3.10 锚框的轮回
3.10.1 锚框的起源
3.10.2 现有检测算法中锚框的设计方法
3.10.3 锚框存在的问题
3.10.4 不需要锚框的算法
3.11 目标检测的骨干网络设计
3.12 检测算法加速
3.12.1 检测流程的加速
3.12.2 检测算法的轻量级网络
3.13 自然场景文字检测
3.14 遥感图像目标检测
3.15 常用数据集和评价指标
第4章 基于深度学习的图像语义分割算法
4.1 图像语义分割简介
4.2 语义分割研究难点
4.3 语义分割算法模型
4.3.1 全卷积网络基础算法：FCN算法
4.3.2 编码-解码结构算法：U-Net算法
4.3.3 空洞卷积的应用：DeepLab系列
4.4 图像实时语义分割
4.4.1 实时语义分割简介
4.4.2 ENet算法
4.5 图像分割数据集以及评价指标
4.5.1 图像分割数据集
4.5.2 语义分割评估指标
第5章 基于深度学习的人体姿态估计算法
5.1 人体姿态估计任务简介
5.1.1 任务简介
5.1.2 面临的挑战
