深度学习之PyTorch物体检测实战 - (EPUB全文下载)

文件大小：0.82 mb。
文件格式：epub 格式。
书籍内容：

深度学习之PyTorch物体检测实战
第1篇 物体检测基础知识
第1章 浅谈物体检测与PyTorch
1.1 深度学习与计算机视觉
1.1.1 发展历史
1.1.2 计算机视觉
1.2 物体检测技术
1.2.1 发展历程
1.2.2 技术应用领域
1.2.3 评价指标
1.3 PyTorch简介
1.3.1 诞生与特点
1.3.2 各大深度学习框架对比
1.3.3 为什么选择PyTorch
1.3.4 安装方法
1.4 基础知识准备
1.4.1 Linux基础
1.4.2 Python基础
1.4.3 高效开发工具
1.5 总结
第2章 PyTorch基础
2.1 基本数据：Tensor
2.1.1 Tensor数据类型
2.1.2 Tensor的创建与维度查看
2.1.3 Tensor的组合与分块
2.1.4 Tensor的索引与变形
2.1.5 Tensor的排序与取极值
2.1.6 Tensor的自动广播机制与向量化
2.1.7 Tensor的内存共享
2.2 Autograd与计算图
2.2.1 Tensor的自动求导：Autograd
2.2.2 计算图
2.2.3 Autograd注意事项
2.3 神经网络工具箱torch.nn
2.3.1 nn.Module类
2.3.2 损失函数
2.3.3 优化器nn.optim
2.4 模型处理
2.4.1 网络模型库：torchvision.models
2.4.2 加载预训练模型
2.4.3 模型保存
2.5 数据处理
2.5.1 主流公开数据集
2.5.2 数据加载
2.5.3 GPU加速
2.5.4 数据可视化
2.6 总结
第3章 网络骨架：Backbone
3.1 神经网络基本组成
3.1.1 卷积层
3.1.2 激活函数层
3.1.3 池化层
3.1.4 Dropout层
3.1.5 BN层
3.1.6 全连接层
3.1.7 深入理解感受野
3.1.8 详解空洞卷积（Dilated Convolution）
3.2 走向深度：VGGNet
3.3 纵横交错：Inception
3.4 里程碑：ResNet
3.5 继往开来：DenseNet
3.6 特征金字塔：FPN
3.7 为检测而生：DetNet
3.8 总结
第2篇 物体检测经典框架
第4章 两阶经典检测器：Faster RCNN
4.1 RCNN系列发展历程
4.1.1 开山之作：RCNN
4.1.2 端到端：Fast RCNN
4.1.3 走向实时：Faster RCNN
4.2 准备工作
4.3 Faster RCNN总览
4.4 详解RPN
4.4.1 理解Anchor
4.4.2 RPN的真值与预测量
4.4.3 RPN卷积网络
4.4.4 RPN真值的求取
4.4.5 损失函数设计
4.4.6 NMS与生成Proposal
4.4.7 筛选Proposal得到RoI
4.5 RoI Pooling层
4.6 全连接RCNN模块
4.6.1 RCNN全连接网络
4.6.2 损失函数设计
4.7 Faster RCNN的改进算法
4.7.1 审视Faster RCNN
4.7.2 特征融合：HyperNet
4.7.3 实例分割：Mask RCNN
4.7.4 全卷积网络：R-FCN
4.7.5 级联网络：Cascade RCNN
4.8 总结
第5章 单阶多层检测器：SSD
5.1 SSD总览
5.1.1 SSD的算法流程
5.1.2 代码准备工作
5.2 数据预处理
5.2.1 加载PASCAL数据集
5.2.2 数据增强
5.3 网络架构
5.3.1 基础VGG结构
5.3.2 深度卷积层
5.3.3 PriorBox与边框特征提取网络
5.3.4 总体网络计算过程
5.4 匹配与损失求解
5.4.1 预选框与真实框的匹配
5.4.2 定位损失的计算
5.4.3 难样本挖掘
5.4.4 类别损失计算
5.5 SSD的改进算法
5.5.1 审视SSD
5.5.2 特征融合：DSSD
5.5.3 彩虹网络：RSSD
5.5.4 基于SSD的两阶：RefineDet
5.5.5 多感受野融合：RFBNet
5.6 总结
第6章 单阶经典检测器：YOLO
6.1 无锚框预测：YOLO v1
6.1.1 网络结构
6.1.2 特征图的意义
6.1.3 损失计算
6.2 依赖锚框：YOLO v2
6.2.1 网络结构的改善
6.2.2 先验框的设计
6.2.3 正、负样本与损失函数
6.2.4 正、负样本选取代码示例
6.2.5 工程技巧
6.3 多尺度与特征融合：YOLO v3
6.3.1 新网络结构DarkNet-53
6.3.2 多尺度预测
6.3.3 Softmax改为Logistic
6.4 总结
第3篇 物体检测的难点与发展
第7章 模型加速之轻量化网络
7.1 压缩再扩展：SqueezeNet
7.1.1 SqueezeNet网络结构
7.1.2 SqueezeNet总结
7.2 深度可分离：MobileNet
7.2.1 标准卷积
7.2.2 深度可分离卷积
7.2.3 MobileNet v1结构
7.2.4 MobileNet v1总结
7.2.5 MobileNet v2
7.3 通道混洗：ShuffleNet
7.3.1 通道混洗
7.3.2 网络结构
7.3.3 ShuffleNet v2
7.4 总结
第8章 物体检测细节处理
8.1 非极大值抑制：NMS
8.1.1 NMS基本过程
8.1.2 抑制得分：Soft NMS
8.1.3 加权平均：Softer NMS
8.1.4 定位置信度：IoU-Net
8.2 样本不均衡问题
8.2.1 不均衡问题分析
8.2.2 在线难样本挖掘：OHEM
8.2.3 专注难样本：Focal Loss
8.3 模型过拟合
8.3.1 数据增强
8.3.2 L1与L2正则化
8.4 总结
第9章 物体检测难点
9.1 ............

以上为书籍内容预览，如需阅读全文内容请下载EPUB源文件，祝您阅读愉快。