深度学习之PyTorch物体检测实战-历史文化-社会科学-太极之巅书单号

书刊介绍

《深度学习之PyTorch物体检测实战》内容简介

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