內容簡介

本書的寫作初衷是，從學者的角度，用一種通俗易懂的方式，把與基於深度學習的目標檢測的相關論文中的理論和方法呈現給讀者，同時針對作者在深度學習教學過程中遇到的難點，進行深入的分析和講解。

本書側重對卷積神經網路的介紹，而深度學習的內容不止於此。所以，作者將深度學習分為有監督學習、無監督學習和強化學習三類，將圖像分類、目標檢測、語音辨識、人臉識別、對抗生成網路和AlphaGo圍棋等應用場景歸入不同的類別，並分別對其原理進行了概括性的講解。

本書適合有一定深度學習或目標檢測學習基礎的學生、研究者、從業者閱讀。

作者介紹

杜鵬，博士，現任職於華為。2014年起在韓國科學技術學院和新加坡南洋理工大學從事博士後研究。回國後，曾任杭州電子科技大學副教授、浙江核新同花順網路資訊股份有限公司演算法研究員。2018年被NVIDIA深度學習學院評為優秀校園大使，在SIGGRAPH、PG等國際著名學術會議發表論文10餘篇。

諶明，博士。2004年加入美國道富集團，2011年加入浙江核新同花順網路資訊股份有限公司並任首席技術官，推動了包括電腦視覺、語音技術、自然語言處理、機器學習等技術在金融、醫療等領域的商業化落地。

蘇統華，博士，哈爾濱工業大學副教授，自然手寫中文文本識別的開拓者。曾出版手寫漢字識別領域的首本英文專著，以及7本GPU計算和大資料分析方面的譯作，所領導的NVIDIAGPU教育中心連續4年被NVIDIA評為中國區優秀GPU教育中心。

基礎篇
第1章深度學習概述 2
1.1 深度學習發展簡史 2
1.2 有監督學習 4
1.2.1 圖像分類 4
1.2.2 目標檢測 6
1.2.3 人臉識別 10
1.2.4 語音辨識 13
1.3 無監督學習 18
1.3.1 無監督學習概述 18
1.3.2 生成對抗網路 18
1.4 強化學習 21
1.4.1 AlphaGo 21
1.4.2 AlphaGo Zero 23
1.5 小結 25
參考文獻 25

第2章深度神經網路 27
2.1 神經元 27
2.2 感知機 30
2.3 前向傳遞 32
2.3.1 前向傳遞的流程 32
2.3.2 啟動函數 33
2.3.3 損失函數 37
2.4 後向傳遞 40
2.4.1 後向傳遞的流程 40
2.4.2 梯度下降 40
2.4.3 參數修正 42
2.5 防止過擬合 44
2.5.1 dropout 44
2.5.2 正則化 45
2.6 小結 46

第3章卷積神經網路 47
3.1 卷積層 48
3.1.1 valid 卷積 48
3.1.2 full 卷積 50
3.1.3 same 卷積 51
3.2 池化層 52
3.3 反卷積 53
3.4 感受野 55
3.5 卷積網路實例 56
3.5.1 Lenet-5 56
3.5.2 AlexNet 59
3.5.3 VGGNet 62
3.5.4 GoogLeNet 64
3.5.5 ResNet 72
3.5.6 MobileNet 73
3.6 小結 76

進階篇
第4章兩階段目標檢測方法 78
4.1 R-CNN 78
4.1.1 演算法流程 79
4.1.2 訓練過程 80
4.2 SPP-Net 83
4.2.1 網路結構 84
4.2.2 空間金字塔池化 84
4.3 Fast R-CNN 86
4.3.1 感興趣區域池化層 86
4.3.2 網路結構 88
4.3.3 全連接層計算加速 89
4.3.4 目標分類 90
4.3.5 邊界框回歸 91
4.3.6 訓練過程 93
4.4 Faster R-CNN 96
4.4.1 網路結構 97
4.4.2 RPN 98
4.4.3 訓練過程 104
4.5 R-FCN 106
4.5.1 R-FCN 網路結構 107
4.5.2 位置敏感的分數圖 108
4.5.3 位置敏感的RoI 池化 109
4.5.4 R-FCN 損失函數 110
4.5.5 Caffe 網路模型解析 111
4.6 Mask R-CNN 115
4.6.1 實例分割簡介 115
4.6.2 COCO 資料集的圖元級標注 116
4.6.3 網路結構 117
4.6.4 U-Net 121
4.6.5 SegNet 122
4.7 小結 123

第5章單階段目標檢測方法 124
5.1 SSD 124
5.1.1 default box 125
5.1.2 網路結構 125
5.1.3 Caffe 網路模型解析 126
5.1.4 訓練過程 134
5.2 RetinaNet 136
5.2.1 FPN 136
5.2.2 聚焦損失函數 138
5.3 RefineDet 139
5.3.1 網路模型 140
5.3.2 Caffe 網路模型解析 142
5.3.3 訓練過程 151
5.4 YOLO 152
5.4.1 YOLO v1 152
5.4.2 YOLO v2 155
5.4.3 YOLO v3 157
5.5 目標檢測演算法應用 159
5.5.1 高速公路坑洞檢測 159
5.5.2 息肉檢測 160
5.6 小結 162
應用篇
第6章肋骨骨折檢測 164
6.1 國內外研究現狀 165
6.2 解決方案 166
6.3 預處理 166
6.4 肋骨骨折檢測 167
6.5 實驗結果分析 168
6.6 小結 170
參考文獻 171

第7章肺結節檢測 172
7.1 國內外研究現狀 172
7.1.1 肺結節可疑位置推薦演算法 173
7.1.2 假陽性肺結節抑制演算法 173
7.2 總體框架 174
7.2.1 肺結節資料集 174
7.2.2 肺結節檢測難點 175
7.2.3 演算法框架 175
7.3 肺結節可疑位置推薦演算法 176
7.3.1 CT圖像的預處理 177
7.3.2 肺結節分割演算法 178
7.3.3 優化方法 180
7.3.4 推斷方法 182
7.4 可疑肺結節定位演算法 183
7.5 實驗結果與分析 184
7.5.1 實驗結果 184
7.5.2 改進點效果分析 184
7.6 假陽性肺結節抑制演算法 186
7.6.1 假陽性肺結節抑制網路 186
7.6.2 優化策略 190
7.6.3 推斷策略 192
7.7 實驗結果與分析 192
7.7.1 實驗結果 193
7.7.2 改進點效果分析 193
7.7.3 可疑位置推薦與假陽抑制演算法整合 194
7.8 小結 195
參考文獻 195

第8章車道線檢測 198
8.1 國內外研究現狀 198
8.2 主要研究內容 200
8.2.1 總體解決方案 200
8.2.2 各階段概述 201
8.3 車道線檢測系統的設計與實現 204
8.3.1 車道線圖像資料標注與篩選 205
8.3.2 車道線圖片預處理 206
8.3.3 車道線分割模型訓練 211
8.3.4 車道線檢測 220
8.3.5 車道線檢測結果 224
8.4 車道線檢測系統的性能測試 224
8.4.1 車道線檢測品質測試 224
8.4.2 車道線檢測時間測試 226
8.5 小結 227
參考文獻 227

第9章交通視頻分析 229
9.1 國內外研究現狀 230
9.2 主要研究內容 231
9.2.1 總體設計 231
9.2.2 精度和性能要求 232
9.3 交通視頻分析 232
9.3.1 車輛檢測和車牌檢測 233
9.3.2 車牌識別功能設計詳解 235
9.3.3 車輛品牌及顏色的識別 243
9.3.4 目標跟蹤設計詳解 244
9.4 系統測試 247
9.4.1 車輛檢測 248
9.4.2 車牌檢測 251
9.4.3 車牌識別 253
9.4.4 車輛品牌識別 256
9.4.5 目標跟蹤 259
9.5 小結 259
參考文獻 260

看更多