深度學(xué)習(xí)之PyTorch物體檢測(cè)實(shí)戰(zhàn)

（因字?jǐn)?shù)所限，部分章節(jié)只給出了二級(jí)目錄，完整目錄請(qǐng)查看華章網(wǎng)站）

第1篇  物體檢測(cè)基礎(chǔ)知識(shí)

第1章  淺談物體檢測(cè)與PyTorch     2

1.1  深度學(xué)習(xí)與計(jì)算機(jī)視覺(jué)      2

1.1.1  發(fā)展歷史   2

1.1.2  計(jì)算機(jī)視覺(jué)       7

1.2  物體檢測(cè)技術(shù)      9

1.2.1  發(fā)展歷程   10

1.2.2  技術(shù)應(yīng)用領(lǐng)域   11

1.2.3  評(píng)價(jià)指標(biāo)   12

1.3  PyTorch簡(jiǎn)介 17

1.3.1  誕生與特點(diǎn)       17

1.3.2  各大深度學(xué)習(xí)框架對(duì)比   17

1.3.3  為什么選擇PyTorch 19

1.3.4  安裝方法   20

1.4  基礎(chǔ)知識(shí)準(zhǔn)備      22

1.4.1  Linux基礎(chǔ) 22

1.4.2  Python基礎(chǔ)       24

1.4.3  高效開(kāi)發(fā)工具   29

1.5  總結(jié)      36

第2章  PyTorch基礎(chǔ)  37

2.1  基本數(shù)據(jù)：Tensor 37

2.1.1  Tensor數(shù)據(jù)類(lèi)型 37

2.1.2  Tensor的創(chuàng)建與維度查看 39

2.1.3  Tensor的組合與分塊 41

2.1.4  Tensor的索引與變形 42

2.1.5  Tensor的排序與取極值    46

2.1.6  Tensor的自動(dòng)廣播機(jī)制與向量化    46

2.1.7  Tensor的內(nèi)存共享    47

2.2  Autograd與計(jì)算圖      48

2.2.1  Tensor的自動(dòng)求導(dǎo)：Autograd 49

2.2.2  計(jì)算圖       50

2.2.3  Autograd注意事項(xiàng)   51

2.3  神經(jīng)網(wǎng)絡(luò)工具箱torch.nn    52

2.3.1  nn.Module類(lèi)     52

2.3.2  損失函數(shù)   55

2.3.3  優(yōu)化器nn.optim 56

2.4  模型處理      59

2.4.1  網(wǎng)絡(luò)模型庫(kù)：torchvision.models     59

2.4.2  加載預(yù)訓(xùn)練模型       60

2.4.3  模型保存   61

2.5  數(shù)據(jù)處理      61

2.5.1  主流公開(kāi)數(shù)據(jù)集       61

2.5.2  數(shù)據(jù)加載   63

2.5.3  GPU加速   65

2.5.4  數(shù)據(jù)可視化       66

2.6  總結(jié)      68

第3章  網(wǎng)絡(luò)骨架：Backbone    69

3.1  神經(jīng)網(wǎng)絡(luò)基本組成      69

3.1.1  卷積層       70

3.1.2  激活函數(shù)層       72

3.1.3  池化層       75

3.1.4  Dropout層 76

3.1.5  BN層 77

3.1.6  全連接層   79

3.1.7  深入理解感受野       81

3.1.8  詳解空洞卷積（Dilated Convolution）   82

3.2  走向深度：VGGNet    83

3.3  縱橫交錯(cuò)：Inception   87

3.4  里程碑：ResNet   93

3.5  繼往開(kāi)來(lái)：DenseNet   95

3.6  特征金字塔：FPN       99

3.7  為檢測(cè)而生：DetNet   106

3.8  總結(jié)      110

第2篇  物體檢測(cè)經(jīng)典框架

第4章  兩階經(jīng)典檢測(cè)器：Faster RCNN  112

4.1  RCNN系列發(fā)展歷程   112

4.2  準(zhǔn)備工作      114

4.3  Faster RCNN總覽 115

4.4  詳解RPN      117

4.5  RoI Pooling層      127

4.6  全連接RCNN模塊      130

4.7  Faster RCNN的改進(jìn)算法    131

4.8  總結(jié)      141

第5章  單階多層檢測(cè)器：SSD 142

5.1  SSD總覽      142

5.2  數(shù)據(jù)預(yù)處理   144

5.3  網(wǎng)絡(luò)架構(gòu)      148

5.4  匹配與損失求解   154

5.5  SSD的改進(jìn)算法  157

5.6  總結(jié)      166

第6章  單階經(jīng)典檢測(cè)器：YOLO     167

6.1  無(wú)錨框預(yù)測(cè)：YOLO v1      167

6.2  依賴(lài)錨框：YOLO v2   171

6.3  多尺度與特征融合：YOLO v3   180

6.4  總結(jié)      183

第3篇  物體檢測(cè)的難點(diǎn)與發(fā)展

第7章  模型加速之輕量化網(wǎng)絡(luò) 186

7.1  壓縮再擴(kuò)展：SqueezeNet    188

7.2  深度可分離：MobileNet     191

7.3  通道混洗：ShuffleNet 200

7.4  總結(jié)      207

第8章  物體檢測(cè)細(xì)節(jié)處理 209

8.1  非極大值抑制：NMS  209

8.2  樣本不均衡問(wèn)題   217

8.3  模型過(guò)擬合   224

8.4  總結(jié)      229

......