深度学习与图像识别：原理与实践

作品简介

本书是一本有关人工智能图像识别应用开发与实践指导类的教材，主要介绍图像处理应用项目开发的基本流程、图像识别处理应用项目关键技术。本书直击当今研究热点，选择有代表性的专题项目而且尽量避免复杂的数学推导，易于读者理解，专注于实战。详细介绍了numpy，knn，线性回归，逻辑回归，神经网络在图像识别上的应用，并为后一部分的深度学习做好铺垫。同时，针对每一个项目介绍项目的应用及意义，该项目的数据特征分析、识别系统设计、图像预处理技术、特征提取技术，以及识别方法等。书中实例程序的框架结构简单，代码简洁，读者可在数字图像处理技术的基础上进一步深化学习内容，提高实践应用能力和项目开发能力。

魏溪含，涂铭，张修鹏编著

作品目录

• 前言
• 第1章　机器视觉在行业中的应用
• 1.1　机器视觉的发展背景
• 1.2　机器视觉的主要应用场景
• 1.3　本章小结
• 第2章　图像识别前置技术
• 2.1　深度学习框架
• 2.2　搭建图像识别开发环境
• 2.3　Numpy使用详解
• 2.4　本章小结
• 第3章　图像分类之KNN算法
• 3.1　KNN的理论基础与实现
• 3.2　图像分类识别预备知识
• 3.3　KNN实战
• 3.4　模型参数调优
• 3.5　本章小结
• 第4章　机器学习基础
• 4.1　线性回归模型
• 4.2　逻辑回归模型
• 4.3　本章小结
• 第5章　神经网络基础
• 5.1　神经网络
• 5.2　输出层
• 5.3　批处理
• 5.4　广播原则
• 5.5　损失函数
• 5.6　最优化
• 5.7　基于数值微分的反向传播
• 5.8　基于测试集的评价
• 5.9　本章小结
• 第6章　误差反向传播
• 6.1　激活函数层的实现
• 6.2　Affine层的实现
• 6.3　Softmaxwithloss层的实现
• 6.4　基于数值微分和误差反向传播的比较
• 6.5　通过反向传播实现MNIST识别
• 6.6　正则化惩罚
• 6.7　本章小结
• 第7章　PyTorch实现神经网络图像分类
• 7.1　PyTorch的使用
• 7.2　PyTorch实战
• 7.3　本章小结
• 第8章　卷积神经网络
• 8.1　卷积神经网络基础
• 8.2　常见卷积神经网络结构
• 8.3　VGG16实现Cifar10分类
• 8.4　本章小结
• 第9章　目标检测
• 9.1　定位+分类
• 9.2　目标检测
• 9.3　SSD实现VOC目标检测
• 9.4　本章小结
• 第10章　分割
• 10.1　语义分割
• 10.2　实例分割
• 10.3　本章小结
• 第11章　产生式模型
• 11.1　自编码器
• 11.2　对抗生成网络
• 11.3　DCGAN及实战
• 11.4　其他GAN
• 11.5　本章小结
• 第12章　神经网络可视化
• 12.1　卷积核
• 12.2　特征层
• 12.3　图片风格化
• 12.4　本章小结
• 第13章　图像识别算法的部署模式
• 13.1　图像算法部署模式介绍
• 13.2　实际应用场景和部署模式的匹配
• 13.3　案例介绍
• 13.4　本章小结