深度學(xué)習(xí)計(jì)算機(jī)視覺(jué)實(shí)戰(zhàn)

定　價(jià)：￥99.00

作　者：	肖鈴著
出版社：	電子工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買這本書(shū)可以去

ISBN：	9787121417597	出版時(shí)間：	2021-11-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	300	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書(shū)是一本看懂計(jì)算機(jī)視覺(jué)的實(shí)戰(zhàn)指南，使用理論與實(shí)踐相結(jié)合的思想，真正一站式搞定理論學(xué)習(xí)、算法開(kāi)發(fā)到模型部署上線。全書(shū)內(nèi)容共分為四個(gè)部分。第一部分包括第1、2章，主要講解深度學(xué)習(xí)和計(jì)算機(jī)視覺(jué)基礎(chǔ)，如計(jì)算機(jī)視覺(jué)領(lǐng)域的經(jīng)典網(wǎng)絡(luò)和常見(jiàn)的目標(biāo)檢測(cè)算法；第二部分包括第3～6章，主要講解圖像處理知識(shí)，結(jié)合應(yīng)用案例，對(duì)知識(shí)點(diǎn)進(jìn)行分析說(shuō)明；第三部分包括第7～11章，主要講解計(jì)算機(jī)視覺(jué)中的實(shí)戰(zhàn)項(xiàng)目，對(duì)實(shí)現(xiàn)細(xì)節(jié)做了追本溯源的講解；第四部分包括第12～13章，主要講解模型的落地部署，該部分的講解基于TensorFlow Lite框架，該框架受眾廣、熱度高，且在各種平臺(tái)都有對(duì)應(yīng)的支持與優(yōu)化加速方案，方便讀者使用。本書(shū)中的上百個(gè)知識(shí)點(diǎn)與50多個(gè)案例都是作者工程應(yīng)用中的經(jīng)驗(yàn)總結(jié)，每章末尾均有進(jìn)階必備”，給讀者提供更多的拓展知識(shí)。本書(shū)適合計(jì)算機(jī)視覺(jué)的初學(xué)者、計(jì)算機(jī)視覺(jué)算法開(kāi)發(fā)人員、對(duì)深度學(xué)習(xí)有興趣的用戶或者亟須工程落地使用的用戶，也適合作為高校相關(guān)專業(yè)的學(xué)生教材使用。

作者簡(jiǎn)介

　　肖鈴，碩士，現(xiàn)任南方海洋科學(xué)與工程廣東省實(shí)驗(yàn)室工程師。2016年畢業(yè)于中國(guó)科學(xué)技術(shù)大學(xué)與中國(guó)科學(xué)院合肥物質(zhì)科學(xué)研究院安徽光機(jī)所大氣光學(xué)研究中心，曾就職于中興通訊股份有限公司和珠海金山辦公軟件有限公司，長(zhǎng)期從事圖像處理、深度學(xué)習(xí)計(jì)算機(jī)視覺(jué)算法，以及基于TensorFlow Lite的AI模型部署研究。劉東，研究員，博士生導(dǎo)師?，F(xiàn)任中國(guó)科學(xué)院合肥物質(zhì)科學(xué)研究院安徽光機(jī)所大氣光學(xué)研究中心副主任，曾在美國(guó)懷俄明大學(xué)大氣科學(xué)系做博士后。主要從事大氣光學(xué)和激光雷達(dá)大氣探測(cè)研究工作，是國(guó)際激光大氣探測(cè)協(xié)會(huì)（ICLAS）中國(guó)唯一委員，SKYNET國(guó)際委員會(huì)中國(guó)委員，安徽省氣象學(xué)會(huì)副理事長(zhǎng)。

圖書(shū)目錄

第1章深度學(xué)習(xí)基礎(chǔ) 1
1．1 神經(jīng)網(wǎng)絡(luò) 1
1．1．1 感知機(jī) 1
1．1．2 神經(jīng)網(wǎng)絡(luò)原理 2
1．2 卷積神經(jīng)網(wǎng)絡(luò) 3
1．2．1 CNN基本操作 3
1．2．2 CNN原理 6
1．3 循環(huán)神經(jīng)網(wǎng)絡(luò) 7
1．3．1 RNN 7
1．3．2 LSTM與GRU 8
1．4 經(jīng)典網(wǎng)絡(luò) 9
1．4．1 AlexNet 9
1．4．2 VGG 10
1．4．3 GoogLeNet 11
1．4．4 ResNet 12
1．4．5 MobileNet 13
1．5 進(jìn)階必備：如何學(xué)習(xí)深度學(xué)習(xí)
并“落地”求職 16
1．5．1 深度學(xué)習(xí)如何快速入門(mén) 16
1．5．2 深度學(xué)習(xí)行業(yè)求職技巧 17
第2章計(jì)算機(jī)視覺(jué)基礎(chǔ) 18
2．1 目標(biāo)檢測(cè)Two-stage算法 18
2．1．1 R-CNN算法 18
2．1．2 Fast R-CNN算法 20
2．1．3 Faster R-CNN算法 21
2．2 目標(biāo)檢測(cè)One-stage算法 23
2．2．1 YOLO系列算法 23
2．2．2 SSD算法 29
2．3 圖像分割算法 31
2．3．1 FCN算法 31
2．3．2 U-Net算法 33
2．3．3 DeepLab系列算法 34
2．3．4 Mask R-CNN算法 37
2．4 進(jìn)階必備：計(jì)算機(jī)視覺(jué)方向知多少 38
第3章基礎(chǔ)圖像處理 40
3．1 線性濾波 40
3．1．1 案例1：使用方框?yàn)V波 41
3．1．2 案例2：使用均值濾波 46
3．1．3 案例3：使用高斯濾波 48
3．2 非線性濾波 50
3．2．1 案例4：使用中值濾波例 50
3．2．2 案例5：使用雙邊濾波 52
3．3　OpenCV形態(tài)學(xué)運(yùn)算 54
3．3．1 案例6：進(jìn)行膨脹操作 55
3．3．2 案例7：進(jìn)行腐蝕操作 57
3．3．3 案例8：使用形態(tài)學(xué)運(yùn)算 58
3．4　案例9：使用漫水填充 63
3．5　圖像金字塔 67
3．5．1 案例10：使用高斯金字塔 67
3．5．2 案例11：使用拉普拉斯
金字塔 70
3．6　閾值化 73
3．6．1 案例12：使用基本閾值 74
3．6．2 案例13：使用自適應(yīng)閾值 78
3．7　進(jìn)階必備：選擇一款合適的圖像處理工具 80
3．7．1 OpenCV 80
3．7．2 Matlab 81
第4章圖像變換 83
4．1　邊緣檢測(cè) 83
4．1．1 案例14：Sobel算法 83
4．1．2 案例15：Scharr算法 87
4．1．3 案例16：Laplacian算法 90
4．1．4 案例17：Canny算法 91
4．2　案例18：繪制輪廓 94
4．3　霍夫變換 97
4．3．1 案例19：霍夫線變換 97
4．3．2 案例20：霍夫圓變換 101
4．4　案例21：重映射 103
4．5　案例22：仿射變換 106
4．6　案例23：透視變換 109
4．7　直方圖 111
4．7．1 案例24：直方圖的計(jì)算
與繪制 111
4．7．2 案例25：直方圖均衡化 113
4．8　進(jìn)階必備：圖像變換應(yīng)用之文本
圖像矯正 114
4．8．1 圖像變換知識(shí)總結(jié) 114
4．8．2 案例26：文本圖像矯正 115
第5章角點(diǎn)檢測(cè) 117
5．1 案例27：Harris角點(diǎn)檢測(cè) 117
5．2　案例28：Shi-Tomasi角點(diǎn)檢測(cè) 119
5．3　案例29：亞像素級(jí)角點(diǎn)檢測(cè) 122
5．4　進(jìn)階必備：角點(diǎn)檢測(cè)知識(shí)總結(jié) 125
第6章特征點(diǎn)檢測(cè)與匹配 127
6．1　特征點(diǎn)檢測(cè) 127
6．1．1 opencv-contrib環(huán)境安裝 127
6．1．2 案例30：SIFT特征點(diǎn)檢測(cè) 130
6．1．3 案例31：SURF特征點(diǎn)檢測(cè) 137
6．2　特征匹配 139
6．2．1 案例32：BruteForce匹配 139
6．2．2 案例33：FLANN匹配 146
6．3　案例34：ORB特征提取 148
6．4　進(jìn)階必備：利用特征點(diǎn)拼接圖像 151
6．4．1 特征點(diǎn)檢測(cè)算法匯總 151
6．4．2 案例35：基于特征點(diǎn)檢測(cè)與
匹配的圖像拼接 151
第7章手寫(xiě)數(shù)字識(shí)別 155
7．1　Keras的應(yīng)用 155
7．1．1 Keras模型 155
7．1．2 Keras層 156
7．1．3 模型編譯 157
7．1．4 模型訓(xùn)練 158
7．2　LeNet算法 159
7．3　案例36：使用Keras實(shí)現(xiàn)手寫(xiě)數(shù)字識(shí)別 160
7．3．1 模型訓(xùn)練 160
7．3．2 手寫(xiě)數(shù)字識(shí)別模型推理 164
7．4　進(jìn)階必備：算法模型開(kāi)發(fā)流程 167
7．4．1 數(shù)據(jù)準(zhǔn)備 167
7．4．2 網(wǎng)絡(luò)搭建 169
7．4．3 模型訓(xùn)練 170
第8章 CIFAR-10圖像分類 171
8．1　圖像分類數(shù)據(jù)集 171
8．1．1 CIFAR-10數(shù)據(jù)集和
CIFAR-100數(shù)據(jù)集 171
8．1．2 ImageNet數(shù)據(jù)集 172
8．1．3 PASCAL VOC數(shù)據(jù)集 173
8．2　案例37：CIFAR-10圖像分類 173
8．2．1 模型訓(xùn)練過(guò)程 174
8．2．2 模型推理 179
8．3　進(jìn)階必備：COCO數(shù)據(jù)集與使用
HOGTSVM方法實(shí)現(xiàn)圖像分類 180
8．3．1 COCO數(shù)據(jù)集 180
8．3．2 案例38：使用HOG+SVM
方法實(shí)現(xiàn)圖像分類 180
第9章驗(yàn)證碼識(shí)別 184
9．1　TensorFlow應(yīng)用 184
9．1．1 案例39：TensorFlow的
基本使用 184
9．1．2 TensorFlow的常用模塊 186
9．2　案例40：驗(yàn)證碼識(shí)別 188
9．2．1 生成驗(yàn)證碼圖片 188
9．2．2 基于TensorFlow的
驗(yàn)證碼識(shí)別 189
9．3　進(jìn)階必備：算法模型開(kāi)發(fā)技巧 194
9．3．1 數(shù)據(jù)預(yù)處理技巧 194
9．3．2 網(wǎng)絡(luò)搭建技巧 195
9．3．3 模型訓(xùn)練技巧 196
第10章文本檢測(cè)實(shí)戰(zhàn) 197
10．1　文本檢測(cè)算法 197
10．1．1 CTPN算法 198
10．1．2 EAST算法 200
10．2　案例41：基于EAST算法的文本檢測(cè) 202
10．2．1 數(shù)據(jù)預(yù)處理 202
10．2．2 網(wǎng)絡(luò)搭建 205
10．2．3 模型訓(xùn)練 212
10．2．4 文本檢測(cè)驗(yàn)證 217
10．3　進(jìn)階必備：在不同場(chǎng)景下文本檢測(cè)的
應(yīng)對(duì)方式 218
10．3．1 復(fù)雜場(chǎng)景文本檢測(cè) 219
10．3．2 案例42：使用形態(tài)學(xué)運(yùn)算
實(shí)現(xiàn)簡(jiǎn)單場(chǎng)景文本檢測(cè) 220
10．3．3 案例43：使用MSER+NMS
實(shí)現(xiàn)簡(jiǎn)單場(chǎng)景文本檢測(cè) 223
第11章文本識(shí)別實(shí)戰(zhàn) 226
11．1　文本識(shí)別算法 226
11．1．1 CRNN算法 226
11．1．2 Attention OCR算法 229
11．2　案例44：基于C-RNN算法的
文本識(shí)別 231
11．2．1 數(shù)據(jù)預(yù)處理 231
11．2．2 網(wǎng)絡(luò)搭建 232
11．2．3 模型訓(xùn)練 236
11．2．4 文本識(shí)別驗(yàn)證 237
11．3　進(jìn)階必備：?jiǎn)巫諳CR 238
11．3．1 OCR探究 238
11．3．2 案例45：文本圖片
字符切割 238
第12章 TensorFlow Lite 244
12．1　TensorFlow Lite介紹 244
12．1．1 TensorFlow Lite基礎(chǔ) 245
12．1．2 TensorFlow Lite源碼分析 246
12．2　模型轉(zhuǎn)換 248
12．2．1 FlatBuffers文件格式 248
12．2．2 案例46：其他格式
轉(zhuǎn)換為．tflite模型 250
12．3　模型量化 252
12．3．1 案例47：量化感知訓(xùn)練 252
12．3．2 案例48：訓(xùn)練后量化 255
12．4　進(jìn)階必備：模型轉(zhuǎn)換與
模型部署優(yōu)化答疑 257
12．4．1 模型轉(zhuǎn)換問(wèn)題 257
12．4．2 模型部署優(yōu)化 258
第13章基于TensorFlow Lite的AI
功能部署實(shí)戰(zhàn) 260
13．1　部署流程 260

13．2　案例49：移動(dòng)端部署 261
13．2．1 搭建開(kāi)發(fā)環(huán)境 262
13．2．2 編譯運(yùn)行項(xiàng)目 262
13．2．3 調(diào)用過(guò)程解析 264
13．3　PC端部署 266
13．3．1 案例50：Windows端部署 266
13．3．2 案例51：Linux端部署 278
13．3．3 案例52：ARM平臺(tái)部署 282
13．3．4 案例53：MIPS平臺(tái)部署 285
13．4　進(jìn)階必備：推理框架拓展與
OpenCV編譯部署 286
13．4．1 其他深度學(xué)習(xí)推理框架 286
13．4．2 OpenCV編譯 286