新書推薦：
《
打好你手里的牌（斯多葛主义+现代认知疗法，提升当代人的心理韧性！）
》
售價：HK$
66.1
《
新时代硬道理 广东寻路高质量发展
》
售價：HK$
77.3
《
6S精益管理实战（精装版）
》
售價：HK$
100.6
《
异域回声——晚近海外汉学之文史互动研究
》
售價：HK$
109.8
《
世界文明中的作物迁徙：聚焦亚洲、中东和南美洲被忽视的本土农业文明
》
售價：HK$
99.7
《
无端欢喜
》
售價：HK$
76.2
《
股票大作手操盘术
》
售價：HK$
53.8
《
何以中国·何谓唐代：东欧亚帝国的兴亡与转型
》
售價：HK$
87.4
|
| 內容簡介： |
|
本书的写作初衷是，从学者的角度，用一种通俗易懂的方式，将基于深度学习的目标检测的相关论文中的理论和方法呈现给读者，同时针对作者在深度学习教学过程中遇到的难点，进行深入的分析和讲解。本书侧重对卷积神经网络的介绍，而深度学习的内容不止于此。所以，作者将深度学习分为有监督学习、无监督学习和强化学习三类，将图像分类、目标检测、人脸识别、语音识别、双向生成对抗网络和AlphaGo等应用场景归入不同的类别，并分别对其原理进行了概括性的讲解。本书适合有一定深度学习或目标检测学习基础的学生、研究者、从业者阅读。
|
| 關於作者： |
|
杜鹏，博士，华为?N腾AI技术专家，主要研究方向为异构计算、计算机图形学、人工智能等，曾在韩国科学技术院、新加坡南洋理工大学、杭州电子科技大学从事科研与教学工作，在SIGGRAPH、 CVPR、ICCV等国际著名会议发表论文十余篇。苏统华，博士， 哈尔滨工业大学副教授、软件学院副院长，主要研究领域包括大规模模式识别与手写汉字识别、深度学习方法与GPU计算等。作为自然手写体中文文本识别的开拓者，建立领域内首款手写中文库（HIT-MW库）。该库为国内外约200家科研院所采用，获得两个国际手写汉字识别竞赛第一名。王波，主要从事位姿估计、图像分割／生成等计算机视觉算法研究与应用，研究成果发表在CVPR、AAAI等国际著名学术会议上。谌明，博士，2004年加入美国道富集团， 2011年加入浙江核新同花顺网络信息股份有限公司并任首席技术官，推动了包括计算机视觉、语音技术、自然语言处理、机器学习等在金融、医疗等领域的商业化落地。
|
| 目錄：
|
|
第1章 深度学习概述21.1 深度学习发展简史21.2 有监督学习41.2.1 图像分类41.2.2 目标检测61.2.3 人脸识别101.2.4 语音识别131.3 无监督学习171.3.1 无监督学习概述181.3.2 双向生成对抗网络181.4 强化学习211.4.1 AlphaGo221.4.2 AlphaGo Zero241.5 小结25参考资料25第2章 深度神经网络282.1 神经元282.2 感知机312.3 前向传递322.3.1 前向传递的流程332.3.2 激活函数342.3.3 损失函数382.4 后向传递412.4.1 后向传递的流程412.4.2 梯度下降412.4.3 参数修正432.5 防止过拟合452.5.1 dropout462.5.2 正则化462.6 小结47第3章 卷积神经网络483.1 卷积层493.1.1 valid卷积493.1.2 full卷积513.1.3 same卷积523.2 池化层533.3 反卷积543.4 感受野563.5 卷积神经网络实例573.5.1 LeNet-5583.5.2 AlexNet603.5.3 VGGNet633.5.4 GoogLeNet663.5.5 ResNet763.5.6 MobileNet773.6 小结79进 阶 篇第4章 两阶段目标检测方法824.1 R-CNN824.1.1 算法流程824.1.2 训练过程834.2 SPP-Net874.2.1 网络结构874.2.2 空间金字塔池化884.3 Fast R-CNN894.3.1 感兴趣区域池化层904.3.2 网络结构914.3.3 全连接层计算加速924.3.4 目标分类934.3.5 边界框回归944.3.6 训练过程954.4 Faster R-CNN994.4.1 网络结构1004.4.2 RPN1014.4.3 训练过程1074.5 R-FCN1094.5.1 R-FCN网络结构1104.5.2 位置敏感的分数图1114.5.3 位置敏感的RoI池化1114.5.4 R-FCN损失函数1134.5.5 Caffe网络模型解析1134.5.6 U-Net1174.5.7 SegNet1184.6 Mask R-CNN1194.6.1 实例分割简介1194.6.2 COCO数据集的像素级标注1214.6.3 网络结构1214.7 小结125参考资料125第5章 单阶段目标检测方法1265.1 SSD1265.1.1 default box1265.1.2 网络结构1275.1.3 Caffe网络模型解析1285.1.4 训练过程1375.2 RetinaNet1385.2.1 FPN1395.2.2 聚焦损失函数1405.3 RefineDet 1425.3.1 网络模型1425.3.2 Caffe网络模型解析1445.3.3 训练过程1535.4 YOLO1545.4.1 YOLO v11545.4.2 YOLO v21575.4.3 YOLO v31595.5 目标检测算法应用场景举例1615.5.1 高速公路坑洞检测1615.5.2 息肉检测1625.6 小结163参考资料164应 用 篇第6章 肋骨骨折检测1666.1 国内外研究现状1666.2 解决方案1686.3 预处理1686.4 肋骨骨折检测1696.5 实验结果分析1706.6 小结172参考资料172第7章 肺结节检测1747.1 国内外研究现状1747.2 总体框架1767.2.1 肺结节数据集1767.2.2 肺结节检测难点1777.2.3 算法框架1777.3 肺结节可疑位置推荐算法1787.3.1 CT图像的预处理1797.3.2 肺结节分割算法1807.3.3 优化方法1827.3.4 推断方法1847.4 可疑肺结节定位算法1857.5 实验结果与分析（1）1867.5.1 实验结果1867.5.2 改进点效果分析1867.6 假阳性肺结节抑制算法1887.6.1 假阳性肺结节抑制网络1887.6.2 优化策略1927.6.3 推断策略1947.7 实验结果与分析（2）1947.7.1 实验结果1947.7.2 改进点效果分析1957.7.3 可疑位置推荐算法与假阳性抑制算法的整合1967.8 小结197参考资料197第8章 车道线检测1998.1 国内外研究现状1998.2 主要研究内容2018.2.1 总体解决方案2018.2.2 各阶段概述2028.3 车道线检测系统的设计与实现2058.3.1 车道线图像数据标注与筛选2068.3.2 车道线图片预处理2078.3.3 车道线分割模型训练2118.3.4 车道线检测2208.3.5 车道线检测结果2248.4 车道线检测系统性能测试2248.4.1 车道线检测质量测试2248.4.2 车道线检测时间测试2268.5 小结226参考资料227第9章 交通视频分析2289.1 国内外研究现状2299.2 主要研究内容2309.2.1 总体设计2319.2.2 精度和性能要求2319.3 交通视频分析2329.3.1 车辆检测和车牌检测2329.3.2 车牌识别功能设计详解2349.3.3 车辆品牌及颜色的识别2429.3.4 目标跟踪设计详解2439.4 系统测试2469.4.1 车辆检测2479.4.2 车牌检测2509.4.3 车牌识别2529.4.4 车辆品牌识别2559.4.5 目标跟踪2579.5 小结258参考资料258第10章 道路坑洞检测26010.1 系统流程26010.2 道路坑洞图像生成26210.2.1 坑洞生成网络26210.2.2 遮罩生成方法26310.2.3 图像融合26410.2.4 基于增广训练集的目标检测26510.3 实验与分析26610.3.1 影响因素26710.3.2 数据增广方法对比26810.3.3 边缘提取方法对比27010.3.4 图像融合方法对比27110.3.5 目标检测27310.4 小结274参考资料274
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
