- 简介
- 资源下载
- 视频
- 上课体验
- 反馈
图书介绍
本书特色:1、理论与实战结合。本书以深度学习在计算机视觉的应用为主线,注重任务案例的学习,以深度学习常用技术与任务案例相结合的方式,介绍了使用深度学习TensorFlow框架实现深度学习视觉任务的主要方法。2、以应用为导向。本书从传统图像处理技术到深度学习视觉基础任务介绍,再到具体深度学习视觉任务实现,让读者明白如何利用所学知识来解决问题,从而真正理解并应用所学知识。3、注重启发式教学。本书大部分章节紧扣深度学习视觉任务需求展开,不堆积知识点,着重于思路的启发与解决方案的实施。通过对深度学习视觉任务介绍到实现的完成工作流程的体验,让读者真正理解并掌握深度学习视觉的相关技术。
适用对象:1、开设有计算机视觉课程的高校学生。 2、计算机视觉应用的开发人员。 3、计算机视觉应用研究的科研人员。
图书目录
第1章 概述 1
1.1 计算机视觉与深度学习 1
1.2 应用领域 5
1.3 相关Python库 11
小结 15
课后习题 15
第2章 图像处理基本操作 18
2.1 读写图像 18
2.1.1 常用图像类型 19
2.1.2 读入图像 21
2.1.3 显示图像 22
2.1.4 保存图像 23
2.2 图像颜色空间 23
2.2.1 常用颜色空间简介 23
2.2.2 颜色空间转换 26
2.3 图像几何变换 27
2.3.1 图像平移 27
2.3.2 图像缩放 29
2.3.3 图像旋转 36
2.3.4 图像仿射 38
2.4 图像增强 42
2.4.1 灰度级修正 43
2.4.2 图像平滑 50
2.4.3 图像锐化 55
小结 60
课后习题 60
第3章 深度学习视觉基础任务 63
3.1 深度神经网络 63
3.2 卷积神经网络 66
3.2.1 卷积层 68
3.2.2 池化层 69
3.2.3 全连接层 70
3.2.4 卷积神经网络训练过程 71
3.3 图像分类 72
3.3.1 图像分类简介 73
3.3.2 图像分类经典算法 74
3.3.3 训练图像分类网络 87
3.4 目标检测 89
3.4.1 目标检测简介 90
3.4.2 目标检测经典算法 91
3.4.3 训练目标检测网络 106
3.5 图像分割 111
3.5.1 图像分割简介 111
3.5.2 图像分割经典算法 114
3.5.3 训练图像分割网络 125
3.6 图像生成 130
3.6.1图像生成简介 131
3.6.2图像生成经典算法 132
3.6.3训练图像生成网络 141
小结 145
课后习题 145
第4章 基于FaceNet人脸识别实战 148
4.1 背景与目标 148
4.1.1 背景 148
4.1.2 目标 150
4.1.3 项目工程结构 151
4.2 流程与步骤 152
4.2.1 人脸检测 153
4.2.2 人脸对齐 157
4.2.3 人脸特征提取 159
4.2.4 人脸特征匹配 161
4.3 结果分析 163
小结 164
课后习题 165
第5章 基于Faster R-CNN的目标检测实战 169
5.1 背景与目标 169
5.1.1 背景 169
5.1.2 目标 170
5.1.3 项目工程结构 170
5.2 流程与步骤 171
5.2.1 数据准备 172
5.2.2 定义Faster R-CNN配置信息类 173
5.2.3 生成先验锚框 174
5.2.4 定义损失函数 175
5.2.5 训练网络 178
5.3 结果分析 179
小结 182
课后习题 182
第6章 基于U-Net的城市道路场景分割实战 186
6.1 背景与目标 186
6.1.1 背景 186
6.1.2 目标 187
6.1.3 项目工程结构 188
6.2 过程与步骤 189
6.2.1 数据准备 189
6.2.2 搭建U-Net网络 191
6.2.3 定义损失函数 194
6.2.4 训练网络 195
6.3 结果分析 196
小结 198
课后习题 199
第7章 基于SRGAN的图像超分辨率技术实战 202
7.1 背景与目标 202
7.1.1 背景 202
7.1.2 目标 204
7.1.3 项目工程结构 205
7.2 流程与步骤 205
7.2.1 数据准备 206
7.2.2 SRGAN网络搭建 208
7.2.3 定义SRGAN损失函数 210
7.2.4 训练网络 211
7.3 结果分析 212
小结 215
课后习题 215
资源列表
视频列表
内容筹备中,敬请期待!
