深度学习与计算机视觉

作品简介

全书共13章，分为2篇。第1篇基础知识，介绍了人工智能发展里程、计算机视觉概要、深度学习和计算机视觉中的基础数学知识、神经网络及其相关的机器学习基础、卷积神经网络及其一些常见结构，最后对最前沿的趋势进行了简单探讨。第2篇实例精讲，介绍了Python基础、OpneCV基础、最简单的分类神经网络、图像识别、利用Caffe做回归、迁移学习和模型微调、目标检测、度量学习和图像风格迁移等常见的计算机视觉应用场景。从第5章开始包含了很多有趣和实用的代码示例。从第7章开始的所有实例都基于当前最流行的深度学习框架中的Caffe和MXNet，其中包含了作者原创的大量代码和搜集的数据，这些代码和作者训练好的部分模型已分享到本书github页面上供读者自行下载。

代码库地址：

https://github.com/frombeijingwithlove/dlcv_for_beginners

叶韵博士，现在京东从事深度学习和计算机视觉算法研发。加入京东之前，曾在ProPlus Design Solutions硅谷和北京研发中心任职研发经理，负责统计建模算法研发，后加入SiemensCorporate Technology担任Research Scientist，专注计算影像和计算机视觉的研究。叶博士于2007年7月获得北京大学微电子学士学位，2011年4月获得Arizona State University的Electrical Engineering博士学位。

作品目录

• 序言
• 前言
• 第1篇　基础知识
• 第1章　引言
• 1.1　人工智能的新焦点——深度学习
• 1.2　给计算机一双眼睛——计算机视觉
• 1.3　基于深度学习的计算机视觉
• 第2章　深度学习和计算机视觉中的基础数学知识
• 2.1　线性变换和非线性变换
• 2.2　概率论及相关基础知识
• 2.3　维度的诅咒
• 2.4　卷积
• 2.5　数学优化基础
• 第3章　神经网络和机器学习基础
• 3.1　感知机
• 3.2　神经网络基础
• 3.3　后向传播算法
• 3.4　随机梯度下降和批量梯度下降
• 3.5　数据、训练策略和规范化
• 3.6　监督学习、非监督学习、半监督学习和强化学习
• 第4章　深度卷积神经网络
• 4.1　卷积神经网络
• 4.2　LeNet——第一个卷积神经网络
• 4.3　新起点——AlexNet
• 4.4　更深的网络——GoogLeNet
• 4.5　更深的网络——ResNet
• 第2篇　实例精讲
• 第5章　Python基础
• 5.1　Python简介
• 5.2　Python基本语法
• 5.3　Python的科学计算包——NumPy
• 5.4　Python的可视化包——matplotlib
• 第6章　OpenCV基础
• 6.1　OpenCV简介
• 6.2　Python-OpenCV基础
• 6.3　用OpenCV实现数据增加小工具
• 6.4　用OpenCV实现物体标注小工具
• 第7章　Hello World！
• 7.1　用MXNet实现一个神经网络
• 7.2　用Caffe实现一个神经网络
• 第8章　最简单的图片分类——手写数字识别
• 8.1　准备数据——MNIST
• 8.2　基于Caffe的实现
• 8.3　基于MXNet的实现
• 第9章　利用Caffe做回归
• 9.1　回归的原理
• 9.2　预测随机噪声的频率
• 第10章　迁移学习和模型微调
• 10.1　吃货必备——通过Python采集美食图片
• 10.2　美食分类模型
• 第11章　目标检测
• 11.1　目标检测算法简介
• 11.2　基于PASCAL VOC数据集训练SSD模型
• 第12章　度量学习
• 12.1　距离和度量学习
• 12.2　用MNIST训练Siamese网络
• 第13章　图像风格迁移
• 13.1　风格迁移算法简介
• 13.2　MXNet中的图像风格迁移例子