電腦視覺 — 飛槳深度學習實戰

本書在介紹深度學習、百度飛槳等相關知識的基礎上，著重介紹了圖像分類、目標檢測、語義分割、人體關鍵點檢測、圖像生成、視頻分類、圖像文本檢測和識別、圖像識別等電腦視覺任務的實現原理及深度學習模型框架，並通過具體案例來詳細介紹各任務的實現細節。 全書分為理論篇和實戰篇。理論篇（第1～4章）梳理了電腦視覺技術的發展歷程、主要任務、行業應用系統，同時簡要介紹了深度學習開發框架、飛槳（PaddlePaddle）開發平臺，以及深度學習的基礎知識與網絡模型架構。實戰篇（第5～12章）結合電腦視覺的各個任務要求與技術發展，對其中經典的深度學習算法模型進行介紹。全書提供了實例代碼，詳解了在飛槳開發框架下各任務的模型實現過程。 本書適合作為高等院校人工智能、電腦視覺專業高年級本科生、研究生的教材，同時可作為電腦視覺相關任務實踐教程，也可以作為科研工作者的參考書籍。

 

 

 

 

目錄

理論篇

 

第1章電腦視覺概述

 

1.1電腦視覺技術的發展

 

1.2電腦視覺任務概述

 

1.2.1電腦視覺經典任務

 

1.2.2電腦視覺常見任務

 

1.3電腦視覺處理應用系統

 

1.3.1電腦視覺行業產業鏈

 

1.3.2電腦視覺行業應用系統

 

1.4電腦視覺處理常用工具

 

1.4.1OpenCV簡介

 

1.4.2OpenCVPython

 

1.4.3OpenCV的基礎模塊

 

1.4.4其他CV常用工具

 

1.5本章小結

 

參考文獻

 

第2章深度學習開發框架

 

2.1常見的深度學習開發框架

 

2.1.1TensorFlow深度學習開發框架

 

2.1.2PyTorch深度學習開發框架

 

2.1.3PaddlePaddle深度學習開發框架

 

2.2飛槳基礎

 

2.2.1開發環境

 

2.2.2開發套件

 

2.2.3工具組件

 

2.2.4開發平臺

 

2.3本章小結

 

參考文獻

 

 

 

 

 

 

第3章深度學習算法基礎

 

3.1機器學習

 

3.2神經網絡的基本組成

 

3.2.1神經元

 

3.2.2神經網絡的結構

 

3.3神經網絡的計算

 

3.3.1激活函數

 

3.3.2正向傳播

 

3.3.3反向傳播

 

3.3.4優化算法

 

3.4捲積神經網絡的基本組成

 

3.4.1捲積層

 

3.4.2池化層

 

3.4.3ReLU激活函數

 

3.4.4全連接層

 

3.5深度學習模型的訓練技巧

 

3.5.1歸一化

 

3.5.2丟棄法

 

3.5.3權重衰減

 

3.5.4參數初始化

 

3.6本章小結

 

參考文獻

 

第4章深度學習網絡模型

 

4.1深度學習網絡架構

 

4.2代表性的網絡模型

 

4.2.1捲積神經網絡模型

 

4.2.2循環神經網絡模型

 

4.2.3Transformer網絡模型

 

4.2.4復雜MLP網絡模型

 

4.3網絡搭建案例

 

4.3.1環境準備

 

4.3.2數據準備

 

4.3.3模型構建

 

4.3.4模型訓練與驗證

 

4.3.5模型可視化

 

4.4本章小結

 

參考文獻

 

實戰篇

 

第5章圖像分類算法原理與實戰

 

5.1圖像分類任務的基本介紹

 

5.1.1圖像分類技術的發展

 

5.1.2圖像分類的評價指標

 

5.2基於殘差的網絡

 

5.2.1ResNet模型

 

5.2.2DenseNet模型

 

5.2.3DPN模型

 

5.3基於Transformer的網絡

 

5.3.1ViT模型

 

5.3.2SwinTransformer模型

 

5.4輕量化的網絡

 

5.4.1MobileNet模型

 

5.4.2PPLCNet模型

 

5.5飛槳實現圖像分類案例

 

5.5.1環境安裝與配置

 

5.5.2數據準備

 

5.5.3模型構建

 

5.5.4模型訓練

 

5.5.5模型預測

 

5.6本章小結

 

參考文獻

 

第6章目標檢測算法原理與實戰

 

6.1目標檢測任務基本介紹

 

6.1.1目標檢測技術的發展

 

6.1.2目標檢測的評價指標

 

6.2Faster RCNN基本解析

 

6.2.1RCNN系列

 

6.2.2Faster RCNN整體架構

 

6.2.3Faster RCNN主要特點

 

6.3SSD基本解析

 

6.3.1SSD基本架構

 

6.3.2SSD主要特點

 

6.4YOLOv3基本解析

 

6.4.1YOLO系列

 

6.4.2YOLOv3主要特點

 

6.5FCOS基本解析

 

6.5.1FCOS基本架構

 

6.5.2FCOS主要特點

 

6.5.3損失函數的設計

 

6.5.4FCOS的優缺點

 

6.6DETR基本解析

 

6.6.1DETR基本結構

 

6.6.2DETR主要特點

 

6.7飛槳實現目標檢測案例

 

6.7.1環境準備

 

6.7.2數據讀取與增強

 

6.7.3模型構建

 

6.7.4模型訓練

 

6.7.5模型測試與可視化

 

6.8本章小結

 

參考文獻

 

第7章語義分割算法原理與實戰

 

7.1語義分割任務的基本介紹

 

7.1.1語義分割的發展

 

7.1.2語義分割的評價指標

 

7.2深度學習語義分割基礎網絡

 

7.2.1FCN模型

 

7.2.2SegNet模型

 

7.2.3UNet模型

 

7.3語義分割網絡的系列改進

 

7.3.1空洞可分離捲積： DeepLabv3+

 

7.3.2低層細節信息保留： RefineNet

 

7.3.3全局語義特徵聚合： OCRNet

 

7.4飛槳實現語義分割案例

 

7.4.1環境準備

 

7.4.2數據準備與預處理

 

7.4.3模型構建

 

7.4.4模型訓練

 

7.4.5模型驗證與評估

 

7.5本章小結

 

參考文獻

 

第8章人體關鍵點檢測原理與實戰

 

8.1人體關鍵點檢測任務的基本介紹

 

8.1.1人體關鍵點檢測的發展

 

8.1.2人體關鍵點檢測的評價指標

 

8.2人體關鍵點檢測的經典方法

 

8.2.1模板匹配

 

8.2.2貝葉斯估計

 

8.3多尺度人體姿態檢測方法

 

8.3.1Hourglass模型架構

 

8.3.2一階Hourglass模塊

 

8.3.3多階Hourglass網絡

 

8.4高分辨率人體姿態估計方法

 

8.4.1HRNet模型

 

8.4.2HigherHRNet 模型

 

8.5人體姿態識別OpenPose

 

8.5.1捲積姿態機CPM

 

8.5.2OpenPose架構

 

8.6飛槳實現人體關鍵點檢測案例

 

8.6.1環境準備

 

8.6.2數據集準備

 

8.6.3模塊導入

 

8.6.4數據集定義

 

8.6.5模型構建

 

8.6.6損失函數定義

 

8.6.7模型訓練

 

8.6.8模型預測

 

8.7本章小結

 

參考文獻

 

第9章圖像生成算法原理與實戰

 

9.1圖像生成任務的基本介紹

 

9.1.1圖像生成應用與發展

 

9.1.2圖像生成的評價指標

 

9.2基於圖像生成的圖像轉換： Pix2Pix 

 

9.3基於圖像生成的風格遷移： CycleGAN

 

9.3.1CycleGAN的網絡結構

 

9.3.2CycleGAN的循環訓練流程

 

9.4基於圖像生成算法的圖像屬性控制： StyleGAN

 

9.4.1StyleGANv1的網絡結構與訓練技巧

 

9.4.2StyleGANv1對隱空間耦合度的量化

 

9.4.3StyleGANv2的改進

 

9.5飛槳實現圖像生成案例

 

9.5.1環境準備

 

9.5.2數據讀取與預處理

 

9.5.3模型構建

 

9.5.4模型訓練

 

9.5.5模型驗證與評估

 

9.5.6模型測試

 

9.6本章小結

 

參考文獻

 

第10章視頻分類原理與實戰

 

10.1視頻分類任務的基本介紹

 

10.1.1視頻分類的應用與發展

 

10.1.2視頻分類任務的評價指標

 

10.2基於時序劃分的雙流網絡

 

10.2.1TSN模型

 

10.2.2SlowFast模型

 

10.3基於時序移位的類3D網絡： TSM

 

10.3.1類3D思想

 

10.3.2網絡設計

 

10.4基於自註意力機制的網絡

 

10.4.1Nonlocal模型

 

10.4.2TimeSformer模型

 

10.5飛槳實現視頻分類案例

 

10.5.1環境準備

 

10.5.2數據讀取與預處理

 

10.5.3模型構建

 

10.5.4模型訓練

 

10.5.5模型驗證與評估

 

10.5.6模型測試

 

10.6本章小結

 

參考文獻

 

第11章圖像文本檢測和識別原理與實戰

 

11.1圖像文本檢測和識別任務的基本介紹

 

11.1.1OCR任務的應用與發展

 

11.1.2OCR任務的評價指標

 

11.2文本檢測算法

 

11.2.1小尺度文本檢測算法： CTPN

 

11.2.2場景文本檢測算法： EAST

 

11.2.3任意形狀文本檢測器： SAST

 

11.2.4二值化檢測模型： DBNet

 

11.3文本識別算法

 

11.3.1基於捲積循環神經網絡的識別模型： CRNN

 

11.3.2基於空間註意力殘差網絡的識別模型： STARNet

 

11.3.3具有自動校正功能的魯棒識別模型： RARE

 

11.3.4基於語義推理網絡的識別模型： SRN

 

11.4端到端ORC方法

 

11.4.1FOTS模型

 

11.4.2PGNet模型

 

11.5飛槳實現OCR案例

 

11.5.1環境準備

 

11.5.2數據讀取與預處理

 

11.5.3模型構建

 

11.5.4CTC Loss

 

11.5.5訓練配置

 

11.5.6模型訓練

 

11.5.7驗證前準備

 

11.5.8開始驗證

 

11.6本章小結

 

參考文獻

 

第12章圖像識別原理與實戰

 

12.1圖像識別系統任務流程基本概述

 

12.1.1圖像識別任務基本介紹

 

12.1.2百度飛槳圖像識別系統簡介

 

12.2目標檢測模塊

 

12.3特徵學習模塊

 

12.3.1度量學習算法原理及主要內容

 

12.3.2深度度量學習常見算法框架

 

12.3.3百度飛槳中深度度量學習應用

 

12.4特徵檢索系統

 

12.4.1特徵檢索系統介紹

 

12.4.2特徵檢索原理介紹

 

12.5飛槳實現圖像識別應用案例

 

12.5.1環境配置

 

12.5.2已知類別的圖像識別

 

12.5.3商品識別與檢索

 

12.5.4基於新的索引庫的圖像識別

 

12.6本章小結

 

參考文獻