深度学习之PyTorch物体检测实战

作品简介

本书从概念、发展、经典实现方法等几个方面系统地介绍了物体检测的相关知识，重点介绍了Faster RCNN、SDD和YOLO这三个经典的检测器，并利用PyTorch框架从代码角度进行了细致讲解。另外，本书进一步介绍了物体检测的轻量化网络、细节处理、难点问题及未来的发展趋势，从实战角度给出了多种优秀的解决方法，便于读者更深入地掌握物体检测技术，从而做到在实际项目中灵活应用。

董洪义编著

作品目录

• 前言
• 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
• 1.2　物体检测技术
• 1.3　PyTorch简介
• 1.4　基础知识准备
• 1.5　总结
• 第2章　PyTorch基础
• 2.1　基本数据：Tensor
• 2.2　Autograd与计算图
• 2.3　神经网络工具箱torch.nn
• 2.4　模型处理
• 2.5　数据处理
• 2.6　总结
• 第3章　网络骨架：Backbone
• 3.1　神经网络基本组成
• 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
• 4.2　准备工作
• 4.3　Faster RCNN总览
• 4.4　详解RPN
• 4.5　RoI Pooling层
• 4.6　全连接RCNN模块
• 4.7　Faster RCNN的改进算法
• 4.8　总结
• 第5章　单阶多层检测器：SSD
• 5.1　SSD总览
• 5.2　数据预处理
• 5.3　网络架构
• 5.4　匹配与损失求解
• 5.5　SSD的改进算法
• 5.6　总结
• 第6章　单阶经典检测器：YOLO
• 6.1　无锚框预测：YOLO v1
• 6.2　依赖锚框：YOLO v2
• 6.3　多尺度与特征融合：YOLO v3
• 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
• 7.2　深度可分离：MobileNet
• 7.3　通道混洗：ShuffleNet
• 7.4　总结
• 第8章　物体检测细节处理
• 8.1　非极大值抑制：NMS
• 8.2　样本不均衡问题
• 8.3　模型过拟合
• 8.4　总结
• 第9章　物体检测难点
• 9.1　多尺度检测
• 9.2　拥挤与遮挡
• 9.3　总结
• 第10章　物体检测的未来发展
• 10.1　重新思考物体检测
• 10.2　摆脱锚框：Anchor-Free
• 10.3　总结