相關商品
商品簡介
作者簡介
名人/編輯推薦
序
目次
商品簡介
這是一本從工具、原理、算法3個維度指導讀者零基礎快速掌握目標檢測技術及其應用的入門書。
兩位作者是資深的AI技術專家和計算機視覺算法專家，在阿裡、騰訊、百度、三星等大企業從事計算機視覺相關的工作多年，不僅理論功底扎實、實踐經驗豐富，而且知道初學者進入計算機視覺領域的痛點和難點。據此，兩位作者編寫了這本針對目標檢測初學者的入門書，希望從知識體系和工程實踐的角度幫助讀者少走彎路。
第1~2章是目標檢測的準備工作，主要介紹了目標檢測的常識、深度學習框架的選型、開發環境的搭建以及數據處理工具的使用。
第3~5章是目標檢測的技術基礎，主要講解了數據預處理和卷積神經網絡等圖像分類技術的基礎知識。
第6章比較詳細地介紹了香港中文大學的開源算法庫mmdetection。
第7~10章詳細地講解了目標檢測的概念、原理、一階段算法、二階段算法以及提升算法性能的常用方法。
第11章簡單介紹了目標檢測的相關案例（以工業為背景），以幫助讀者構建一個更完整的知識體系。
兩位作者是資深的AI技術專家和計算機視覺算法專家，在阿裡、騰訊、百度、三星等大企業從事計算機視覺相關的工作多年，不僅理論功底扎實、實踐經驗豐富，而且知道初學者進入計算機視覺領域的痛點和難點。據此，兩位作者編寫了這本針對目標檢測初學者的入門書，希望從知識體系和工程實踐的角度幫助讀者少走彎路。
第1~2章是目標檢測的準備工作，主要介紹了目標檢測的常識、深度學習框架的選型、開發環境的搭建以及數據處理工具的使用。
第3~5章是目標檢測的技術基礎，主要講解了數據預處理和卷積神經網絡等圖像分類技術的基礎知識。
第6章比較詳細地介紹了香港中文大學的開源算法庫mmdetection。
第7~10章詳細地講解了目標檢測的概念、原理、一階段算法、二階段算法以及提升算法性能的常用方法。
第11章簡單介紹了目標檢測的相關案例（以工業為背景），以幫助讀者構建一個更完整的知識體系。
作者簡介
塗銘
? 資深數據架構師和人工智能技術專家，現就職於騰訊，曾就職於阿裡。對大數據、自然語言處理、圖像識別、Python、Java等相關技術有深入的研究，積累了豐富的實踐經驗。
? 在工業領域曾參與了燃煤優化、設備故障診斷以及正泰光伏電池片和組件EL圖像檢測項目；在自然語言處理方面，曾擔任導購機器人項目的架構師，主導開發機器人的語義理解、短文本相似度匹配、上下文理解，以及通過自然語言檢索產品庫，在項目中構建了NoSQL+文本檢索等大數據架構，同時負責問答對的整理和商品屬性的提取，帶領NLP團隊構建了語義解析層。
? 合著有暢銷書《Python自然語言處理實戰：核心技術與算法》《深度學習與圖像識別：原理與實踐》《會話式AI：自然語言處理與人機交互》。
? 金智勇
? 計算機視覺算法專家，在計算機視覺領域深耕12年。現就職於百度，曾就職於阿裡和三星等知名高新技術企業。業務領域涵蓋增強現實、人臉識別、圖像美化、智能交通、工業質檢等多個方向，具有豐富的算法研究與落地經驗。
? 資深數據架構師和人工智能技術專家，現就職於騰訊，曾就職於阿裡。對大數據、自然語言處理、圖像識別、Python、Java等相關技術有深入的研究，積累了豐富的實踐經驗。
? 在工業領域曾參與了燃煤優化、設備故障診斷以及正泰光伏電池片和組件EL圖像檢測項目；在自然語言處理方面，曾擔任導購機器人項目的架構師，主導開發機器人的語義理解、短文本相似度匹配、上下文理解，以及通過自然語言檢索產品庫，在項目中構建了NoSQL+文本檢索等大數據架構，同時負責問答對的整理和商品屬性的提取，帶領NLP團隊構建了語義解析層。
? 合著有暢銷書《Python自然語言處理實戰：核心技術與算法》《深度學習與圖像識別：原理與實踐》《會話式AI：自然語言處理與人機交互》。
? 金智勇
? 計算機視覺算法專家，在計算機視覺領域深耕12年。現就職於百度，曾就職於阿裡和三星等知名高新技術企業。業務領域涵蓋增強現實、人臉識別、圖像美化、智能交通、工業質檢等多個方向，具有豐富的算法研究與落地經驗。
名人/編輯推薦
（1）作者背景深厚：兩位作者是AI和計算機視覺方面的專家，在阿裡、騰訊、百度等企業有超過10年的相關工作經驗；
（2）內容結構講究：針對初學者需求精心安排，從預備知識、深度學習基礎，到目標檢測算法和工程案例，由淺入深，理論與實踐結合；
（3）內容通俗易懂：語言通俗，邏輯性強；盡量繞開復雜的數學公式推導，無需數學基礎，降低讀者的閱讀門檻；
（4）豐富實戰案例：內容遵循知識點背景介紹→原理講解→案例分析的思路，提供大量案例；
（5）提供源碼下載：第2~11章均提供源數據和完整代碼，代碼均經過嚴格測試，可直接在Github上下載。
（2）內容結構講究：針對初學者需求精心安排，從預備知識、深度學習基礎，到目標檢測算法和工程案例，由淺入深，理論與實踐結合；
（3）內容通俗易懂：語言通俗，邏輯性強；盡量繞開復雜的數學公式推導，無需數學基礎，降低讀者的閱讀門檻；
（4）豐富實戰案例：內容遵循知識點背景介紹→原理講解→案例分析的思路，提供大量案例；
（5）提供源碼下載：第2~11章均提供源數據和完整代碼，代碼均經過嚴格測試，可直接在Github上下載。
序
為什麼要寫這本書
隨著深度學習技術的發展、計算能力的提升和視覺數據的增加，計算機視覺技術在圖像搜索、智能相冊、人臉閘機、城市智能交通管理、智能醫療等諸多領域都取得了令人矚目的成績。越來越多的人開始關注這個領域。計算機視覺包含多個分支，其中圖像分類、目標檢測、圖像分割、目標跟蹤等是計算機視覺領域最重要的幾個研究課題。本書介紹的目標檢測技術，本質上就是通過計算機運行特定的算法，檢測圖像中一些受關注的目標。當今時代，我們很容易在互聯網上找到目標檢測算法的開源代碼，運行代碼並不是什麼難事，但理解其中的原理卻有一定的難度。我們編寫本書的目的就是由淺入深地向讀者講解目標檢測技術，用相對通俗的語言來介紹算法的背景和原理，在讀者“似懂非懂”時給出實戰案例。實戰案例的代碼已全部通過線下驗證，代碼並不復雜，可以很好地幫助讀者理解算法細節，希望讀者在學習理論之後可以親自動手實踐。目標檢測的理論和實踐是相輔相成的，希望本書可以帶領讀者走進目標檢測的世界。
本書具有以下兩個特點。
1）本書默認讀者具備大學本科水平的數學基礎。因為圖像分類是目標檢測的基礎，所以本書前幾章講解了圖像分類算法，為後續讀者理解目標檢測算法打下基礎。本書盡量繞開復雜的數學證明和推導，從問題的前因後果、思考過程和簡單數學計算的角度做模型分析和講解，目的是以更通俗易懂的方式帶領讀者入門。
2）本書附有實戰案例，讀者可以結合案例，通過實踐驗證思路。本書內容是按照知識點背景—原理剖析—實戰案例的順序展開的，代碼會在書中詳細列出或者上傳到GitHub，以方便讀者下載與調試，快速掌握知識點，快速上手。這些代碼也可以應用到讀者自己的項目中，以提升開發效率。本書還介紹了目前比較流行的開源算法庫mmdetection，旨在幫助讀者降低實際項目的開發難度。
本書第1、8、9、10章，以及6.1～6.4節，由金智勇撰寫，其餘各章節由塗銘撰寫。
讀者物件
本書適合以下幾類讀者閱讀：
1）統計學、計算機科學技術等相關專業的學生：本書的寫作初衷是面向相關專業的學生—擁有大量理論知識卻缺乏實戰經驗的人員，讓其在有理論積累的基礎上深入了解目標檢測。讀者可以跟隨本書的教程進行操作練習，從而對自己使用的人工智能工具、算法和技術“知其然亦知其所以然”。
2）信息科學和計算機科學愛好者：通過本書可以了解人工智能領域的前輩們在探索的道路上做出的努力和思考。理解他們的觀點和思路，有助於讀者開拓自己的思維和視野。
3）人工智能相關專業的研究人員：本書詳細介紹了目標檢測的相關知識，閱讀本書可以了解理論知識，了解哪些才是項目所需內容以及如何在項目中實現。
如何閱讀本書
本書從以下幾個方面介紹目標檢測的相關技術。
第1章簡述了目標檢測的定義及應用場景，並介紹了20年來目標檢測技術的發展歷程。
第2章主要對目標檢測的前置技術做簡單的介紹，同時介紹了本書後續章節實戰案例中會用到的環境。
第3～5章介紹圖像分類技術的基礎知識，包括數據預處理、卷積神經網絡等。該部分的代碼主要使用PyTorch實現。沒有圖像分類基礎的讀者需要理解這幾章的內容之後再學習後續章節，有卷積神經網絡基礎的讀者可以有選擇地學習。
第6 章比較詳細地介紹了香港中文大學的開源算法庫mmdetection。
第7章主要介紹了目標檢測的基本概念，在進入代碼實戰之前，我們必須先理解基本原理。
第8～10章是本書的核心內容，詳細講解了目標檢測技術的一階段算法、兩階段算法以及提升算法性能的常用方法。
第11章簡單介紹了目標檢測的相關案例（以工業為背景），以幫助讀者構建更完整的知識體系。
本書第2～11章都有對應的源數據和完整代碼。需要注意的是，為了讓讀者更好地了解代碼的含義，在注釋信息中使用了部分中文說明，每個程序文件的編碼格式都是UTF-8。
勘誤和支持
由於筆者水平及撰稿時間有限，書中難免會出現一些錯誤或者不準確的地方，懇請讀者批評指正。讀者可以發送電子郵件反饋建議或意見。
致謝
在受邀撰寫本書時，從未想到過程會如此艱辛。這裡需要感謝一路陪我走來的所有人。
感謝家人在我寫作本書時給予了理解和支持。
感謝我的合著者—金智勇，與他合作十分愉快，他給予了我很多的理解和包容。
感謝參與審閱、編輯等工作的楊福川老師和韓蕊老師，是他們在幕後的辛勤付出保證了本書的順利出版。
在寫作期間，我也得到了很多專業領域專家的指導。例如，我在撰寫第11章的時候，得到了騰訊云工業AI首席架構師周永良博士的大力幫助，感謝他提供的豐富的行業經驗和獨到理解。
再次感謝大家！
塗銘
2021年9月
隨著深度學習技術的發展、計算能力的提升和視覺數據的增加，計算機視覺技術在圖像搜索、智能相冊、人臉閘機、城市智能交通管理、智能醫療等諸多領域都取得了令人矚目的成績。越來越多的人開始關注這個領域。計算機視覺包含多個分支，其中圖像分類、目標檢測、圖像分割、目標跟蹤等是計算機視覺領域最重要的幾個研究課題。本書介紹的目標檢測技術，本質上就是通過計算機運行特定的算法，檢測圖像中一些受關注的目標。當今時代，我們很容易在互聯網上找到目標檢測算法的開源代碼，運行代碼並不是什麼難事，但理解其中的原理卻有一定的難度。我們編寫本書的目的就是由淺入深地向讀者講解目標檢測技術，用相對通俗的語言來介紹算法的背景和原理，在讀者“似懂非懂”時給出實戰案例。實戰案例的代碼已全部通過線下驗證，代碼並不復雜，可以很好地幫助讀者理解算法細節，希望讀者在學習理論之後可以親自動手實踐。目標檢測的理論和實踐是相輔相成的，希望本書可以帶領讀者走進目標檢測的世界。
本書具有以下兩個特點。
1）本書默認讀者具備大學本科水平的數學基礎。因為圖像分類是目標檢測的基礎，所以本書前幾章講解了圖像分類算法，為後續讀者理解目標檢測算法打下基礎。本書盡量繞開復雜的數學證明和推導，從問題的前因後果、思考過程和簡單數學計算的角度做模型分析和講解，目的是以更通俗易懂的方式帶領讀者入門。
2）本書附有實戰案例，讀者可以結合案例，通過實踐驗證思路。本書內容是按照知識點背景—原理剖析—實戰案例的順序展開的，代碼會在書中詳細列出或者上傳到GitHub，以方便讀者下載與調試，快速掌握知識點，快速上手。這些代碼也可以應用到讀者自己的項目中，以提升開發效率。本書還介紹了目前比較流行的開源算法庫mmdetection，旨在幫助讀者降低實際項目的開發難度。
本書第1、8、9、10章，以及6.1～6.4節，由金智勇撰寫，其餘各章節由塗銘撰寫。
讀者物件
本書適合以下幾類讀者閱讀：
1）統計學、計算機科學技術等相關專業的學生：本書的寫作初衷是面向相關專業的學生—擁有大量理論知識卻缺乏實戰經驗的人員，讓其在有理論積累的基礎上深入了解目標檢測。讀者可以跟隨本書的教程進行操作練習，從而對自己使用的人工智能工具、算法和技術“知其然亦知其所以然”。
2）信息科學和計算機科學愛好者：通過本書可以了解人工智能領域的前輩們在探索的道路上做出的努力和思考。理解他們的觀點和思路，有助於讀者開拓自己的思維和視野。
3）人工智能相關專業的研究人員：本書詳細介紹了目標檢測的相關知識，閱讀本書可以了解理論知識，了解哪些才是項目所需內容以及如何在項目中實現。
如何閱讀本書
本書從以下幾個方面介紹目標檢測的相關技術。
第1章簡述了目標檢測的定義及應用場景，並介紹了20年來目標檢測技術的發展歷程。
第2章主要對目標檢測的前置技術做簡單的介紹，同時介紹了本書後續章節實戰案例中會用到的環境。
第3～5章介紹圖像分類技術的基礎知識，包括數據預處理、卷積神經網絡等。該部分的代碼主要使用PyTorch實現。沒有圖像分類基礎的讀者需要理解這幾章的內容之後再學習後續章節，有卷積神經網絡基礎的讀者可以有選擇地學習。
第6 章比較詳細地介紹了香港中文大學的開源算法庫mmdetection。
第7章主要介紹了目標檢測的基本概念，在進入代碼實戰之前，我們必須先理解基本原理。
第8～10章是本書的核心內容，詳細講解了目標檢測技術的一階段算法、兩階段算法以及提升算法性能的常用方法。
第11章簡單介紹了目標檢測的相關案例（以工業為背景），以幫助讀者構建更完整的知識體系。
本書第2～11章都有對應的源數據和完整代碼。需要注意的是，為了讓讀者更好地了解代碼的含義，在注釋信息中使用了部分中文說明，每個程序文件的編碼格式都是UTF-8。
勘誤和支持
由於筆者水平及撰稿時間有限，書中難免會出現一些錯誤或者不準確的地方，懇請讀者批評指正。讀者可以發送電子郵件反饋建議或意見。
致謝
在受邀撰寫本書時，從未想到過程會如此艱辛。這裡需要感謝一路陪我走來的所有人。
感謝家人在我寫作本書時給予了理解和支持。
感謝我的合著者—金智勇，與他合作十分愉快，他給予了我很多的理解和包容。
感謝參與審閱、編輯等工作的楊福川老師和韓蕊老師，是他們在幕後的辛勤付出保證了本書的順利出版。
在寫作期間，我也得到了很多專業領域專家的指導。例如，我在撰寫第11章的時候，得到了騰訊云工業AI首席架構師周永良博士的大力幫助，感謝他提供的豐富的行業經驗和獨到理解。
再次感謝大家！
塗銘
2021年9月
目次
前言
第1章 目標檢測概述 1
1.1 什麼是目標檢測 1
1.2 典型的應用場景 2
1.2.1 人臉識別 2
1.2.2 智能交通 2
1.2.3 工業檢測 3
1.3 目標檢測技術發展簡史 3
1.3.1 傳統算法 4
1.3.2 深度學習算法 5
1.4 目標檢測領域重要的公開評測集 8
1.5 本章小結 11
第2章 目標檢測前置技術 12
2.1 深度學習框架 12
2.1.1 Theano 12
2.1.2 TensorFlow 13
2.1.3 MXNet 14
2.1.4 Keras 15
2.1.5 PyTorch 15
2.1.6 Caffe 16
2.2 搭建開發環境 17
2.2.1 Anaconda 17
2.2.2 Conda 19
2.2.3 PyTorch的下載與安裝 21
2.3 NumPy使用詳解 22
2.3.1 創建數組 22
2.3.2 創建NumPy數組 24
2.3.3 獲取NumPy屬性 27
2.3.4 NumPy數組索引 28
2.3.5 切片 28
2.3.6 NumPy中的矩陣運算 29
2.3.7 數據類型轉換 31
2.3.8 NumPy的統計計算方法 31
2.3.9 NumPy中的arg運算 32
2.3.10 FancyIndexing 33
2.3.11 NumPy數組比較 33
2.4 本章小結 35
第3章 卷積神經網絡 36
3.1 卷積神經網絡基礎 36
3.1.1 全連接層 36
3.1.2 卷積層 37
3.1.3 池化層 42
3.1.4 三維數據的卷積運算 44
3.1.5 批規範化層 45
3.1.6 Dropout層 47
3.2 本章小結 48
第4章 數據預處理 49
4.1 數據增強 49
4.1.1 resize操作 50
4.1.2 crop操作 51
4.1.3 隨機的水平和豎直翻轉 52
4.1.4 隨機角度的旋轉 53
4.1.5 亮度、對比度和顏色的隨機變化 54
4.1.6 彩色圖轉灰度圖 55
4.2 數據的探索—Kaggle貓狗大戰 56
4.3 本章小結 64
第5章 常見卷積神經網絡結構 65
5.1 LeNet神經網絡 65
5.2 AlexNet神經網絡 70
5.3 VGGNet神經網絡 77
5.4 GoogLeNet神經網絡 81
5.4.1 inception模塊 83
5.4.2 GoogLeNet的實現 85
5.4.3 GoogLeNet的演變 88
5.5 ResNet 89
5.5.1 殘差模塊 90
5.5.2 ResNet模型 92
5.6 DenseNet 92
5.7 其他網絡結構 95
5.8 實戰案例 96
5.9 計算圖像數據集的RGB均值和方差 98
5.10 本章小結 99
第6章 mmdetection工具包介紹 100
6.1 mmdetection概要 100
6.2 mmdetection支持的檢測框架和算法實現 101
6.3 搭建mmdetection開發環境 102
6.4 使用入門 103
6.4.1 使用預訓練模型進行推理 103
6.4.2 訓練模型 105
6.4.3 有用的工具 106
6.4.4 如何使用mmdetection 108
6.5 標注圖像 110
6.6 實戰案例 112
6.6.1 檢測人體 113
6.6.2 檢測貓和狗 115
6.7 本章小結 120
第7章 目標檢測的基本概念 121
7.1 概念詳解 121
7.1.1 IoU計算 122
7.1.2 NMS操作 122
7.1.3 感受野 124
7.1.4 空洞卷積 128
7.1.5 評價指標mAP 129
7.2 本章小結 131
第8章 兩階段檢測方法 132
8.1 R-CNN算法 132
8.1.1 生成候選區域 132
8.1.2 類別判定 133
8.1.3 位置修正 136
8.1.4 檢測過程 137
8.1.5 R-CNN算法的重要意義 138
8.2 SPP-Net算法 139
8.2.1 空間金字塔采樣 139
8.2.2 網絡訓練 141
8.2.3 測試過程 142
8.3 Fast R-CNN算法及訓練過程 143
8.3.1 ROI池化層 144
8.3.2 模型訓練 144
8.3.3 測試過程 147
8.4 Faster R-CNN算法及訓練過程 147
8.4.1 候選框提取網絡 148
8.4.2 RPN和Fast R-CNN共享特征的方法 152
8.5 Faster R-CNN代碼解析 153
8.5.1 代碼整體結構 153
8.5.2 數據加載 158
8.5.3 構建主幹網絡 160
8.5.4 候選框提取網絡 161
8.5.5 對候選框進行分類和位置校正 163
8.5.6 算法模型架構圖 165
8.6 本章小結 165
第9章 檢測算法的進一步改進 167
9.1 特征金字塔 167
9.1.1 特征金字塔結構 167
9.1.2 FPN代碼解析 170
9.2 焦點損失函數 174
9.3 本章小結 175
第10章 一階段檢測算法 176
10.1 YOLO算法 176
10.1.1 YOLO第一版 176
10.1.2 YOLO第二版 182
10.1.3 YOLO第三版 185
10.2 SSD算法 196
10.2.1 SSD算法原理 197
10.2.2 訓練方法 197
10.2.3 SSD代碼解析 201
10.3 FCOS算法 208
10.3.1 FCOS算法原理 208
10.3.2 FCOS源碼解析 213
10.4 本章小結 217
第11章 工業AI的發展 218
11.1 工業AI的概念和互聯網 218
11.2 工業AI落地應用 219
11.2.1 工業AI的典型場景 220
11.2.2 工業AI落地背後的本質 221
11.2.3 展望 221
11.3 工業生產
第1章 目標檢測概述 1
1.1 什麼是目標檢測 1
1.2 典型的應用場景 2
1.2.1 人臉識別 2
1.2.2 智能交通 2
1.2.3 工業檢測 3
1.3 目標檢測技術發展簡史 3
1.3.1 傳統算法 4
1.3.2 深度學習算法 5
1.4 目標檢測領域重要的公開評測集 8
1.5 本章小結 11
第2章 目標檢測前置技術 12
2.1 深度學習框架 12
2.1.1 Theano 12
2.1.2 TensorFlow 13
2.1.3 MXNet 14
2.1.4 Keras 15
2.1.5 PyTorch 15
2.1.6 Caffe 16
2.2 搭建開發環境 17
2.2.1 Anaconda 17
2.2.2 Conda 19
2.2.3 PyTorch的下載與安裝 21
2.3 NumPy使用詳解 22
2.3.1 創建數組 22
2.3.2 創建NumPy數組 24
2.3.3 獲取NumPy屬性 27
2.3.4 NumPy數組索引 28
2.3.5 切片 28
2.3.6 NumPy中的矩陣運算 29
2.3.7 數據類型轉換 31
2.3.8 NumPy的統計計算方法 31
2.3.9 NumPy中的arg運算 32
2.3.10 FancyIndexing 33
2.3.11 NumPy數組比較 33
2.4 本章小結 35
第3章 卷積神經網絡 36
3.1 卷積神經網絡基礎 36
3.1.1 全連接層 36
3.1.2 卷積層 37
3.1.3 池化層 42
3.1.4 三維數據的卷積運算 44
3.1.5 批規範化層 45
3.1.6 Dropout層 47
3.2 本章小結 48
第4章 數據預處理 49
4.1 數據增強 49
4.1.1 resize操作 50
4.1.2 crop操作 51
4.1.3 隨機的水平和豎直翻轉 52
4.1.4 隨機角度的旋轉 53
4.1.5 亮度、對比度和顏色的隨機變化 54
4.1.6 彩色圖轉灰度圖 55
4.2 數據的探索—Kaggle貓狗大戰 56
4.3 本章小結 64
第5章 常見卷積神經網絡結構 65
5.1 LeNet神經網絡 65
5.2 AlexNet神經網絡 70
5.3 VGGNet神經網絡 77
5.4 GoogLeNet神經網絡 81
5.4.1 inception模塊 83
5.4.2 GoogLeNet的實現 85
5.4.3 GoogLeNet的演變 88
5.5 ResNet 89
5.5.1 殘差模塊 90
5.5.2 ResNet模型 92
5.6 DenseNet 92
5.7 其他網絡結構 95
5.8 實戰案例 96
5.9 計算圖像數據集的RGB均值和方差 98
5.10 本章小結 99
第6章 mmdetection工具包介紹 100
6.1 mmdetection概要 100
6.2 mmdetection支持的檢測框架和算法實現 101
6.3 搭建mmdetection開發環境 102
6.4 使用入門 103
6.4.1 使用預訓練模型進行推理 103
6.4.2 訓練模型 105
6.4.3 有用的工具 106
6.4.4 如何使用mmdetection 108
6.5 標注圖像 110
6.6 實戰案例 112
6.6.1 檢測人體 113
6.6.2 檢測貓和狗 115
6.7 本章小結 120
第7章 目標檢測的基本概念 121
7.1 概念詳解 121
7.1.1 IoU計算 122
7.1.2 NMS操作 122
7.1.3 感受野 124
7.1.4 空洞卷積 128
7.1.5 評價指標mAP 129
7.2 本章小結 131
第8章 兩階段檢測方法 132
8.1 R-CNN算法 132
8.1.1 生成候選區域 132
8.1.2 類別判定 133
8.1.3 位置修正 136
8.1.4 檢測過程 137
8.1.5 R-CNN算法的重要意義 138
8.2 SPP-Net算法 139
8.2.1 空間金字塔采樣 139
8.2.2 網絡訓練 141
8.2.3 測試過程 142
8.3 Fast R-CNN算法及訓練過程 143
8.3.1 ROI池化層 144
8.3.2 模型訓練 144
8.3.3 測試過程 147
8.4 Faster R-CNN算法及訓練過程 147
8.4.1 候選框提取網絡 148
8.4.2 RPN和Fast R-CNN共享特征的方法 152
8.5 Faster R-CNN代碼解析 153
8.5.1 代碼整體結構 153
8.5.2 數據加載 158
8.5.3 構建主幹網絡 160
8.5.4 候選框提取網絡 161
8.5.5 對候選框進行分類和位置校正 163
8.5.6 算法模型架構圖 165
8.6 本章小結 165
第9章 檢測算法的進一步改進 167
9.1 特征金字塔 167
9.1.1 特征金字塔結構 167
9.1.2 FPN代碼解析 170
9.2 焦點損失函數 174
9.3 本章小結 175
第10章 一階段檢測算法 176
10.1 YOLO算法 176
10.1.1 YOLO第一版 176
10.1.2 YOLO第二版 182
10.1.3 YOLO第三版 185
10.2 SSD算法 196
10.2.1 SSD算法原理 197
10.2.2 訓練方法 197
10.2.3 SSD代碼解析 201
10.3 FCOS算法 208
10.3.1 FCOS算法原理 208
10.3.2 FCOS源碼解析 213
10.4 本章小結 217
第11章 工業AI的發展 218
11.1 工業AI的概念和互聯網 218
11.2 工業AI落地應用 219
11.2.1 工業AI的典型場景 220
11.2.2 工業AI落地背後的本質 221
11.2.3 展望 221
11.3 工業生產
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。