音像深度学习与目标检测:工具、原理与算法涂铭;金智勇

前言<br/>章　目标检测概述 1<br/>1.1　什么是目标检测 1<br/>1.2　典型的应用场景 2<br/>1.2.1　人脸识别 2<br/>1.2.2　智慧交通 2<br/>1..　工业检测 3<br/>1.3　目标检测技术发展简史 3<br/>1.3.1　传统算法 4<br/>1.3.2　深度学习算法 5<br/>1.4　目标检测领域重要的公开评测集 8<br/>1.5　本章小结 11<br/>第2章　目标检测前置技术 12<br/>2.1　深度学习框架 12<br/>2.1.1　Thean 2<br/>2.1.2　TensorFlow 13<br/>2.1.3　MXNet 14<br/>2.1.4　Keras 15<br/>2.1.5　PyTorch 15<br/>2.1.6　Caffe 16<br/>2.2　搭建开发环境 17<br/>2.2.1　Anaconda 17<br/>2.2.2　Conda 19<br/>2..　PyTorch的下载与安装 21<br/>.　NumPy使用详解 22<br/>..1　创建数组 22<br/>..2　创建NumPy数组 24<br/>..　获取NumPy属 27<br/>..4　NumPy数组索引 28<br/>..5　切片 28<br/>..　NumPy中的矩阵运算 29<br/>..　数据类型转换 31<br/>..　NumPy的统计计算方法 31<br/>..　NumPy中的arg运算 32<br/>..10　FancyIndexing 33<br/>..11　NumPy数组比较 33<br/>2.4　本章小结 35<br/>第3章　卷积神经网络 36<br/>3.1　卷积神经网络基础 36<br/>3.1.1　全连接层 36<br/>3.1.2　卷积层 37<br/>3.1.3　池化层 42<br/>3.1.4　三维数据的卷积运算 44<br/>3.1.5　批规范化层 45<br/>3.1.6　Dropout层 47<br/>3.2　本章小结 48<br/>第4章　数据预处理 49<br/>4.1　数据 49<br/>4.1.1　resize操作 50<br/>4.1.2　crop操作 51<br/>4.1.3　随机的水平和竖直翻转 52<br/>4.1.4　随机角度的旋转 53<br/>4.1.5　亮度、对比度和颜色的随机变化 54<br/>4.1.6　彩色图转灰度图 55<br/>4.2　数据的探索—Kaggle猫狗大战 56<br/>4.3　本章小结 64<br/>第5章　常见卷积神经网络结构 65<br/>5.1　LeNet神经网络 65<br/>5.2　AlexNet神经网络 70<br/>5.3　VGGNet神经网络 77<br/>5.4　GoogLeNet神经网络 81<br/>5.4.1　inception模块 83<br/>5.4.2　GoogLeNet的实现 85<br/>5.4.3　GoogLeNet的演变 88<br/>5.5　ResNet 89<br/>5.5.1　残差模块 90<br/>5.5.2　ResNet模型 92<br/>5.6　DenseNet 92<br/>5.7　网络结构 95<br/>5.8　实战案例 96<br/>5.9　计算图像数据集的RGB均值和方差 98<br/>5.10　本章小结 99<br/>第6章　mmdetection工具包介绍 100<br/>6.1　mmdetection概要 100<br/>6.2　mmdetection支持的检测框架和算法实现 101<br/>6.3　搭建mmdetection开发环境 102<br/>6.4　使用入门 103<br/>6.4.1　使用预训练模型进行推理 103<br/>6.4.2　训练模型 105<br/>6.4.3　有用的工具 106<br/>6.4.4　如何使用mmdetection 108<br/>6.5　标注图像 110<br/>6.6　实战案例 112<br/>6.6.1　检测人体 113<br/>6.6.2　检测猫和狗 115<br/>6.7　本章小结 120<br/>第7章　目标检测的基本概念 121<br/>7.1　概念详解 121<br/>7.1.1　IoU计算 122<br/>7.1.2　NMS操作 122<br/>7.1.3　感受野 124<br/>7.1.4　空洞卷积 128<br/>7.1.5　评价指标mAP 129<br/>7.2　本章小结 131<br/>第8章　两阶段检测方法 132<br/>8.1　R-CNN算法 132<br/>8.1.1　生成候选区域 132<br/>8.1.2　类别判定 133<br/>8.1.3　位置修正 136<br/>8.1.4　检测过程 137<br/>8.1.5　R-CNN算法的重要意义 138<br/>8.2　SPP-Net算法 139<br/>8.2.1　空间金字塔采样 139<br/>8.2.2　网络训练 141<br/>8..　测试过程 142<br/>8.3　Fast R-CNN算法及训练过程 143<br/>8.3.1　ROI池化层 144<br/>8.3.2　模型训练 144<br/>8.3.3　测试过程 147<br/>8.4　Faster R-CNN算法及训练过程 147<br/>8.4.1　候选框提取网络 148<br/>8.4.2　RPN和Fast R-CNN共享特征的方法 152<br/>8.5　Faster R-CNN代码解析 153<br/>8.5.1　代码整体结构 153<br/>8.5.2　数据加载 158<br/>8.5.3　构建主干网络 160<br/>8.5.4　候选框提取网络 161<br/>8.5.5　对候选框进行分类和位置校正 163<br/>8.5.6　算法模型架构图 165<br/>8.6　本章小结 165<br/>第9章　检测算法的进一步改进 167<br/>9.1　特征金字塔 167<br/>9.1.1　特征金字塔结构 167<br/>9.1.2　FPN代码解析 170<br/>9.2　焦点损失函数 174<br/>9.3　本章小结 175<br/>0章　一阶段检测算法 176<br/>10.1　YOLO算法 176<br/>10.1.1　YOLO版 176<br/>10.1.2　YOLO第二版 182<br/>10.1.3　YOLO第三版 185<br/>10.2　SSD算法 196<br/>10.2.1　SSD算法原理 197<br/>10.2.2　训练方法 197<br/>10..　SSD代码解析 201<br/>10.3　FCOS算法 208<br/>10.3.1　FCOS算法原理 208<br/>10.3.2　FCOS源码解析 213<br/>10.4　本章小结 217<br/>1章　工业AI的发展 218<br/>11.1　工业AI的概念和互联网 218<br/>11.2　工业AI落地应用 219<br/>11.2.1　工业AI的典型场景 220<br/>11.2.2　工业AI落地背后的本质 221<br/>11..　展望 221<br/>11.3　工业生产中的缺陷检测问题 221<br/>11.3.1　视觉检测系统 221<br/>11.3.2　光学识别软件 222<br/>11.3.3　视觉质检典型需求场景 222<br/>11.4　目标检测在工业中的案例：面板行业ADC解决方案 2<br/>11.4.1　面板行业生产质检的特点 2<br/>11.4.2　ADC解决方案 2<br/>11.4.3　系统效果与价值总结 225<br/>11.5　本章小结 226

作者简介涂铭? 资深数据架构师和人工智能技术专家，现就职于腾讯，曾就职于阿里。对大数据、自然语言处理、图像识别、Python、Java等相关技术有深入的研究，积累了丰富的实践经验。? 在工业领域曾参与了燃煤优化、设备故障诊断以及正泰光伏电池片和组件EL图像检测项目；在自然语言处理方面，曾担任导购机器人项目的架构师，开发机器人的语义理解、短文本相似度匹配、上下文理解，以及通过自然语言检索产品库，在项目中构建了NoSL+文本检索等大数据架构，同时负责问答对的整理和商品属的提取，带领NLP团队构建了语义解析层。? 合著有书《Python自然语言处理实战：核心技术与算法》《深度学习与图像识别：原理与实践》《会话式AI：自然语言处理与人机交互》。? 金智勇? 计算机视觉算法专家，在计算机视觉领域深耕12年。现就职于百度，曾就职于阿里和三星等知名高新技术企业。业务领域涵盖现实、人脸识别、图像美化、智能交通、工业质检等多个方向，具有丰富的算法研究与落地经验。

（1）作者背景深厚：两位作者是AI和计算机视觉方面的专家，在阿里、腾讯、百度等企业有超过10年的相关工作经验；（2）内容结构讲究：针对初学者需求精心安排，从预备知识、深度学习基础，到目标检测算法和工程案例，由浅入深，理论与实践结合；（3）内容通俗易懂：语言通俗，逻辑强；尽量绕开复杂的数学公式推导，无需数学基础，降低读者的阅读门槛；（4）丰富实战案例：内容遵循知识点背景介绍→原理讲解→案例分析的思路，提供大量案例；（5）提供源码下载：2~1章均提供源数据和完整代码，代码均经过严格测试，可直接在Github上下载。