类似推荐
编辑推荐
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。
内容简介
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。
作者简介
作者魏溪含，爱丁堡大学人工智能硕士，阿里巴巴达摩院算法专家，在计算机视觉、大数据领域有8年以上的算法架构和研发经验。
在大数据领域，曾带领团队对阿里巴巴个性化推荐系统进行升级；计算机视觉领域，主导并攻克了光伏EL全自动瑕疵识别的世界难题，并在行为识别领域带领团队参赛打破世界纪录等。
章节目录
版权信息
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
1.1.1 人工智能
1.1.2 机器视觉
1.2 机器视觉的主要应用场景
1.2.1 人脸识别
1.2.2 视频监控分析
1.2.3 工业瑕疵检测
1.2.4 图片识别分析
1.2.5 自动驾驶/驾驶辅助
1.2.6 三维图像视觉
1.2.7 医疗影像诊断
1.2.8 文字识别
1.2.9 图像/视频的生成及设计
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
2.1.1 Theano
2.1.2 Tensorflow
2.1.3 MXNet
2.1.4 Keras
2.1.5 PyTorch
2.1.6 Caffe
2.2 搭建图像识别开发环境
2.2.1 Anaconda
2.2.2 conda
2.2.3 Pytorch的下载与安装
2.3 Numpy使用详解
2.3.1 创建数组
2.3.2 创建Numpy数组
2.3.3 获取Numpy属性
2.3.4 Numpy数组索引
2.3.5 切片
2.3.6 Numpy中的矩阵运算
2.3.7 数据类型转换
2.3.8 Numpy的统计计算方法
2.3.9 Numpy中的arg运算
2.3.10 FancyIndexing
2.3.11 Numpy数组比较
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
3.1.1 理论知识
3.1.2 KNN的算法实现
3.2 图像分类识别预备知识
3.2.1 图像分类
3.2.2 图像预处理
3.3 KNN实战
3.3.1 KNN实现MNIST数据分类
3.3.2 KNN实现Cifar10数据分类
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
4.1.1 一元线性回归
4.1.2 多元线性回归
4.2 逻辑回归模型
4.2.1 Sigmoid函数
4.2.2 梯度下降法
4.2.3 学习率η的分析
4.2.4 逻辑回归的损失函数
4.2.5 Python实现逻辑回归
4.3 本章小结
第5章 神经网络基础
5.1 神经网络
5.1.1 神经元
5.1.2 激活函数
5.1.3 前向传播
5.2 输出层
5.2.1 Softmax
5.2.2 one-hotencoding
5.2.3 输出层的神经元个数
5.2.4 MNIST数据集的前向传播
5.3 批处理
5.4 广播原则
5.5 损失函数
5.5.1 均方误差
5.5.2 交叉熵误差
5.5.3 Mini-batch
5.6 最优化
5.6.1 随机初始化
5.6.2 跟随梯度（数值微分）
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
6.1.1 ReLU反向传播实现
6.1.2 Sigmoid反向传播实现
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
7.1.1 Tensor
7.1.2 Variable
7.1.3 激活函数
7.1.4 损失函数
7.2 PyTorch实战
7.2.1 PyTorch实战之MNIST分类
7.2.2 PyTorch实战之Cifar10分类
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
8.1.1 全连接层
8.1.2 卷积层
8.1.3 池化层
8.1.4 批规范化层
8.2 常见卷积神经网络结构
8.2.1 AlexNet
8.2.2 VGGNet
8.2.3 GoogLeNet
8.2.4 ResNet
8.2.5 其他网络结构
8.3 VGG16实现Cifar10分类
8.3.1 训练
8.3.2 预测及评估
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
9.2.1 R-CNN
9.2.2 Fast R-CNN
9.2.3 Faster R-CNN
9.2.4 YOLO
9.2.5 SSD
9.3 SSD实现VOC目标检测
9.3.1 PASCAL VOC数据集
9.3.2 数据准备
9.3.3 构建模型
9.3.4 定义Loss
9.3.5 SSD训练细节
9.3.6 训练
9.3.7 测试
9.4 本章小结
第10章 分割
10.1 语义分割
10.1.1 FCN
10.1.2 UNet实现裂纹分割
10.1.3 SegNet
10.1.4 PSPNet
10.2 实例分割
10.2.1 层叠式
10.2.2 扁平式
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
11.3.1 数据集
11.3.2 网络设置
11.3.3 构建产生网络
11.3.4 构建判别网络
11.3.5 定义损失函数
11.3.6 训练过程
11.3.7 测试
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
12.2.1 直接观测
12.2.2 通过重构观测
12.2.3 末端特征激活情况
12.2.4 特征层的作用
12.3 图片风格化
12.3.1 理论介绍
12.3.2 代码实现
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
深度学习与图像识别：原理与实践是2019年由机械工业出版社华章分社出版,作者涂铭。
得书感谢您对《深度学习与图像识别：原理与实践》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
