深度学习与计算机视觉

深度学习与计算机视觉

算法原理、框架应用与代码实现

暂无评价综合评分的显示会考虑用户真实性等多项因素,每部作品出现综合评分的时间不定。
8.483 评价豆瓣读书

作品简介

全书共13章,分为2篇。第1篇基础知识,介绍了人工智能发展里程、计算机视觉概要、深度学习和计算机视觉中的基础数学知识、神经网络及其相关的机器学习基础、卷积神经网络及其一些常见结构,最后对最前沿的趋势进行了简单探讨。第2篇实例精讲,介绍了Python基础、OpneCV基础、最简单的分类神经网络、图像识别、利用Caffe做回归、迁移学习和模型微调、目标检测、度量学习和图像风格迁移等常见的计算机视觉应用场景。从第5章开始包含了很多有趣和实用的代码示例。从第7章开始的所有实例都基于当前最流行的深度学习框架中的Caffe和MXNet,其中包含了作者原创的大量代码和搜集的数据,这些代码和作者训练好的部分模型已分享到本书github页面上供读者自行下载。

代码库地址:

https://github.com/frombeijingwithlove/dlcv_for_beginners

叶韵博士,现在京东从事深度学习和计算机视觉算法研发。加入京东之前,曾在ProPlus Design Solutions硅谷和北京研发中心任职研发经理,负责统计建模算法研发,后加入SiemensCorporate Technology担任Research Scientist,专注计算影像和计算机视觉的研究。叶博士于2007年7月获得北京大学微电子学士学位,2011年4月获得Arizona State University的Electrical Engineering博士学位。

作品目录

  1. 序言
  2. 前言
  3. 第1篇 基础知识
  4. 第1章 引言
  5. 1.1 人工智能的新焦点——深度学习
  6. 1.2 给计算机一双眼睛——计算机视觉
  7. 1.3 基于深度学习的计算机视觉
  8. 第2章 深度学习和计算机视觉中的基础数学知识
  9. 2.1 线性变换和非线性变换
  10. 2.2 概率论及相关基础知识
  11. 2.3 维度的诅咒
  12. 2.4 卷积
  13. 2.5 数学优化基础
  14. 第3章 神经网络和机器学习基础
  15. 3.1 感知机
  16. 3.2 神经网络基础
  17. 3.3 后向传播算法
  18. 3.4 随机梯度下降和批量梯度下降
  19. 3.5 数据、训练策略和规范化
  20. 3.6 监督学习、非监督学习、半监督学习和强化学习
  21. 第4章 深度卷积神经网络
  22. 4.1 卷积神经网络
  23. 4.2 LeNet——第一个卷积神经网络
  24. 4.3 新起点——AlexNet
  25. 4.4 更深的网络——GoogLeNet
  26. 4.5 更深的网络——ResNet
  27. 第2篇 实例精讲
  28. 第5章 Python基础
  29. 5.1 Python简介
  30. 5.2 Python基本语法
  31. 5.3 Python的科学计算包——NumPy
  32. 5.4 Python的可视化包——matplotlib
  33. 第6章 OpenCV基础
  34. 6.1 OpenCV简介
  35. 6.2 Python-OpenCV基础
  36. 6.3 用OpenCV实现数据增加小工具
  37. 6.4 用OpenCV实现物体标注小工具
  38. 第7章 Hello World!
  39. 7.1 用MXNet实现一个神经网络
  40. 7.2 用Caffe实现一个神经网络
  41. 第8章 最简单的图片分类——手写数字识别
  42. 8.1 准备数据——MNIST
  43. 8.2 基于Caffe的实现
  44. 8.3 基于MXNet的实现
  45. 第9章 利用Caffe做回归
  46. 9.1 回归的原理
  47. 9.2 预测随机噪声的频率
  48. 第10章 迁移学习和模型微调
  49. 10.1 吃货必备——通过Python采集美食图片
  50. 10.2 美食分类模型
  51. 第11章 目标检测
  52. 11.1 目标检测算法简介
  53. 11.2 基于PASCAL VOC数据集训练SSD模型
  54. 第12章 度量学习
  55. 12.1 距离和度量学习
  56. 12.2 用MNIST训练Siamese网络
  57. 第13章 图像风格迁移
  58. 13.1 风格迁移算法简介
  59. 13.2 MXNet中的图像风格迁移例子
载入中

大家都喜欢