相關商品
商品簡介
作者簡介
名人/編輯推薦
目次
商品簡介
本書的寫作初衷是，從學者的角度，用一種通俗易懂的方式，把與基於深度學習的目標檢測的相關論文中的理論和方法呈現給讀者，同時針對作者在深度學習教學過程中遇到的難點，進行深入的分析和講解。本書側重對卷積神經網絡的介紹，而深度學習的內容不止於此。所以，作者將深度學習分為有監督學習、無監督學習和強化學習三類，將圖像分類、目標檢測、語音識別、人臉識別、對抗生成網絡和AlphaGo圍棋等應用場景歸入不同的類別，並分別對其原理進行了概括性的講解。本書適合有一定深度學習或目標檢測學習基礎的學生、研究者、從業者閱讀。
作者簡介
杜鵬，博士，現任職於華為。2014年起在韓國科學技術學院和新加坡南洋理工大學從事博士後研究。回國後，曾任杭州電子科技大學副教授、浙江核新同花順網絡信息股份有限公司算法研究員。2018年被NVIDIA深度學習學院評為優秀校園大使，在SIGGRAPH、PG等國際著名學術會議發表論文10餘篇。
諶明，博士。2004年加入美國道富集團，2011年加入浙江核新同花順網絡信息股份有限公司並任首席技術官，推動了包括計算機視覺、語音技術、自然語言處理、機器學習等技術在金融、醫療等領域的商業化落地。
蘇統華，博士，哈爾濱工業大學副教授，自然手寫中文文本識別的開拓者。曾出版手寫漢字識別領域的首本英文專著，以及7本GPU計算和大數據分析方面的譯作，所領導的NVIDIA GPU教育中心連續4年被NVIDIA評為中國區優秀GPU教育中心。
諶明，博士。2004年加入美國道富集團，2011年加入浙江核新同花順網絡信息股份有限公司並任首席技術官，推動了包括計算機視覺、語音技術、自然語言處理、機器學習等技術在金融、醫療等領域的商業化落地。
蘇統華，博士，哈爾濱工業大學副教授，自然手寫中文文本識別的開拓者。曾出版手寫漢字識別領域的首本英文專著，以及7本GPU計算和大數據分析方面的譯作，所領導的NVIDIA GPU教育中心連續4年被NVIDIA評為中國區優秀GPU教育中心。
名人/編輯推薦
從概念到應用剖析基於深度學習的目標檢測，涵蓋醫療、交通、無人駕駛領域的工程實踐
如果你是深度學習愛好者，本書帶你從理論到實踐一覽深度學習的基本概念及其在目標檢測領域的應用。
如果你是人工智能從業者，你能獲得深度學習與目標檢測知識的梳理及工程實踐的啟發。
杜鵬等人編著的《深度學習與目標檢測》一書，從理論和實踐兩個方面對基於學習方法的目標檢測技術進行了深入講解。本書從基礎理論出發，層層深入，給出了一系列實例應用。對比目前市場上的同類書籍，本書的亮點在於，作者結合自身科研實踐中的特定問題，給出了相關理論的應用示例，以及具體的源代碼實現，這些都有助於讀者加深對算法的理解。相信本書對該領域的初學者和高級用戶都有裨益。
浙江大學教授 唐敏
杜鵬老師的這本《深度學習與目標檢測》，沒有局限於某種框架，而是用簡潔、生動的語言對深度學習的原理進行了深入淺出的講解，並為讀者展示了完整的科學研究和工程實踐案例。這是本書與目前市面上流行的介紹PyTorch、TensorFlow等深度學習的書籍的不同。
新加坡南洋理工大學終身教授，MICCAI 2022共同主席 蔡亦漁
杜鵬和蘇統華兩位老師是NVIDIA深度學習學院的首批認證講師和校園大使，有豐富的深度學習教學經驗。《深度學習與目標檢測》這本書既可以作為初學者的深度學習教材，也可以作為科研和工程人員的實踐參考書。
NVIDIA中國GPU應用市場總監 侯宇濤
深度學習作為眼下火熱的研究領域，獲得了極大的關注，目標檢測問題則是深度學習要解決的基本問題之一。如何能夠快速入門是很多深度學習從業者面臨的棘手問題，我相信，本書能夠很好地解決這個問題。本書從基礎的深度學習和目標檢測原理出發，深入淺出地介紹了相關知識點，提供了非常生動的應用案例，能夠幫助讀者很好地結合實踐。我和蘇統華老師相識多年，他作為國內人工智能的第一批開拓者，在這個領域有很深的造詣。很高興看到他為讀者呈現前沿的知識，也很感謝他多年來為這個領域作出的貢獻。閱讀本書並結合相關實例的練習，相信讀者能夠掌握完整的知識體系並獲得應用能力。期待蘇統華老師和他的團隊為大家帶來更多優秀的作品。
NVIDIA CUDA Fellow，山東大學教授 周斌
在計算機視覺領域，目標識別是一個非常有用且有趣的方向。多年來，各國都有很多科研人員傾心於新技術的研究，也取得了不少成績。這本書沿著目標識別的發展路徑，介紹了多個較新的基於深度學習的實踐案例，不失為一本系統學習目標識別的好書。
《白話強化學習與PyTorch》作者，博士 高揚
計算機視覺是賦予機器類人智能過程中的一個不可或缺的環節，在其60餘年的技術演進中，近幾年的技術發展極大地提升了其類人化程度，而其中起到“助推器”作用的技術就是深度學習。神經網絡是深度學習的“根性”，幫助機器在圖像和視頻中發現感興趣區域“在哪裡”“是什麼”是其根本任務。本書用通俗的語言介紹了深度學習的發展簡史、構成深度神經網絡的基本單元、針對目標檢測的模型演化及其在醫療、平安城市、自動駕駛領域的應用，內容翔實。對於想瞭解人工智能在計算機視覺領域發展現狀的讀者，本書不失為一本上佳的入門讀物。
計算機視覺資深專家，博士 謝迪
如果你是深度學習愛好者，本書帶你從理論到實踐一覽深度學習的基本概念及其在目標檢測領域的應用。
如果你是人工智能從業者，你能獲得深度學習與目標檢測知識的梳理及工程實踐的啟發。
杜鵬等人編著的《深度學習與目標檢測》一書，從理論和實踐兩個方面對基於學習方法的目標檢測技術進行了深入講解。本書從基礎理論出發，層層深入，給出了一系列實例應用。對比目前市場上的同類書籍，本書的亮點在於，作者結合自身科研實踐中的特定問題，給出了相關理論的應用示例，以及具體的源代碼實現，這些都有助於讀者加深對算法的理解。相信本書對該領域的初學者和高級用戶都有裨益。
浙江大學教授 唐敏
杜鵬老師的這本《深度學習與目標檢測》，沒有局限於某種框架，而是用簡潔、生動的語言對深度學習的原理進行了深入淺出的講解，並為讀者展示了完整的科學研究和工程實踐案例。這是本書與目前市面上流行的介紹PyTorch、TensorFlow等深度學習的書籍的不同。
新加坡南洋理工大學終身教授，MICCAI 2022共同主席 蔡亦漁
杜鵬和蘇統華兩位老師是NVIDIA深度學習學院的首批認證講師和校園大使，有豐富的深度學習教學經驗。《深度學習與目標檢測》這本書既可以作為初學者的深度學習教材，也可以作為科研和工程人員的實踐參考書。
NVIDIA中國GPU應用市場總監 侯宇濤
深度學習作為眼下火熱的研究領域，獲得了極大的關注，目標檢測問題則是深度學習要解決的基本問題之一。如何能夠快速入門是很多深度學習從業者面臨的棘手問題，我相信，本書能夠很好地解決這個問題。本書從基礎的深度學習和目標檢測原理出發，深入淺出地介紹了相關知識點，提供了非常生動的應用案例，能夠幫助讀者很好地結合實踐。我和蘇統華老師相識多年，他作為國內人工智能的第一批開拓者，在這個領域有很深的造詣。很高興看到他為讀者呈現前沿的知識，也很感謝他多年來為這個領域作出的貢獻。閱讀本書並結合相關實例的練習，相信讀者能夠掌握完整的知識體系並獲得應用能力。期待蘇統華老師和他的團隊為大家帶來更多優秀的作品。
NVIDIA CUDA Fellow，山東大學教授 周斌
在計算機視覺領域，目標識別是一個非常有用且有趣的方向。多年來，各國都有很多科研人員傾心於新技術的研究，也取得了不少成績。這本書沿著目標識別的發展路徑，介紹了多個較新的基於深度學習的實踐案例，不失為一本系統學習目標識別的好書。
《白話強化學習與PyTorch》作者，博士 高揚
計算機視覺是賦予機器類人智能過程中的一個不可或缺的環節，在其60餘年的技術演進中，近幾年的技術發展極大地提升了其類人化程度，而其中起到“助推器”作用的技術就是深度學習。神經網絡是深度學習的“根性”，幫助機器在圖像和視頻中發現感興趣區域“在哪裡”“是什麼”是其根本任務。本書用通俗的語言介紹了深度學習的發展簡史、構成深度神經網絡的基本單元、針對目標檢測的模型演化及其在醫療、平安城市、自動駕駛領域的應用，內容翔實。對於想瞭解人工智能在計算機視覺領域發展現狀的讀者，本書不失為一本上佳的入門讀物。
計算機視覺資深專家，博士 謝迪
目次
基礎篇
第1章 深度學習概述 2
1.1 深度學習發展簡史 2
1.2 有監督學習 4
1.2.1 圖像分類 4
1.2.2 目標檢測 6
1.2.3 人臉識別 10
1.2.4 語音識別 13
1.3 無監督學習 18
1.3.1 無監督學習概述 18
1.3.2 生成對抗網絡 18
1.4 強化學習 21
1.4.1 AlphaGo 21
1.4.2 AlphaGo Zero 23
1.5 小結 25
參考資料 25
第2章 深度神經網絡 27
2.1 神經元 27
2.2 感知機 30
2.3 前向傳遞 31
2.3.1 前向傳遞的流程 32
2.3.2 激活函數 33
2.3.3 損失函數 37
2.4 後向傳遞 40
2.4.1 後向傳遞的流程 40
2.4.2 梯度下降 40
2.4.3 參數修正 42
2.5 防止過擬合 44
2.5.1 dropout 44
2.5.2 正則化 45
2.6 小結 46
第3章 卷積神經網絡 47
3.1 卷積層 48
3.1.1 valid卷積 48
3.1.2 full卷積 50
3.1.3 same卷積 51
3.2 池化層 52
3.3 反卷積 53
3.4 感受野 54
3.5 卷積神經網絡實例 56
3.5.1 LeNet-5 56
3.5.2 AlexNet 58
3.5.3 VGGNet 62
3.5.4 GoogLeNet 64
3.5.5 ResNet 75
3.5.6 MobileNet 76
3.6 小結 78
進階篇
第4章 兩階段目標檢測方法 80
4.1 R-CNN 80
4.1.1 算法流程 80
4.1.2 訓練過程 81
4.2 SPP-Net 85
4.2.1 網絡結構 85
4.2.2 空間金字塔池化 86
4.3 Fast R-CNN 87
4.3.1 感興趣區域池化層 87
4.3.2 網絡結構 89
4.3.3 全連接層計算加速 90
4.3.4 目標分類 91
4.3.5 邊界框回歸 92
4.3.6 訓練過程 93
4.4 Faster R-CNN 97
4.4.1 網絡結構 98
4.4.2 RPN 99
4.4.3 訓練過程 105
4.5 R-FCN 107
4.5.1 R-FCN網絡結構 108
4.5.2 位置敏感的分數圖 109
4.5.3 位置敏感的RoI池化 110
4.5.4 R-FCN損失函數 111
4.5.5 Caffe網絡模型解析 111
4.5.6 U-Net 115
4.5.7 SegNet 116
4.6 Mask R-CNN 117
4.6.1 實例分割簡介 118
4.6.2 COCO數據集的像素級標注 119
4.6.3 網絡結構 120
4.7 小結 123
參考資料 123
第5章 單階段目標檢測方法 125
5.1 SSD 125
5.1.1 default box 125
5.1.2 網絡結構 126
5.1.3 Caffe網絡模型解析 127
5.1.4 訓練過程 135
5.2 RetinaNet 137
5.2.1 FPN 137
5.2.2 聚焦損失函數 139
5.3 RefineDet 140
5.3.1 網絡模型 141
5.3.2 Caffe網絡模型解析 143
5.3.3 訓練過程 152
5.4 YOLO 153
5.4.1 YOLO v1 153
5.4.2 YOLO v2 155
5.4.3 YOLO v3 157
5.5 目標檢測算法應用場景 159
5.5.1 高速公路坑洞檢測 160
5.5.2 息肉檢測 161
5.6 小結 162
參考資料 162
應用篇
第6章 肋骨骨折檢測 166
6.1 國內外研究現狀 166
6.2 解決方案 168
6.3 預處理 168
6.4 肋骨骨折檢測 169
6.5 實驗結果分析 170
6.6 小結 172
參考資料 173
第7章 肺結節檢測 174
7.1 國內外研究現狀 174
7.2 總體框架 176
7.2.1 肺結節數據集 176
7.2.2 肺結節檢測難點 177
7.2.3 算法框架 177
7.3 肺結節可疑位置推薦算法 178
7.3.1 CT圖像的預處理 179
7.3.2 肺結節分割算法 180
7.3.3 優化方法 182
7.3.4 推斷方法 184
7.4 可疑肺結節定位算法 185
7.5 實驗結果與分析(1) 186
7.5.1 實驗結果 186
7.5.2 改進點效果分析 186
7.6 假陽性肺結節抑制算法 188
7.6.1 假陽性肺結節抑制網絡 188
7.6.2 優化策略 192
7.6.3 推斷策略 194
7.7 實驗結果與分析(2) 194
7.7.1 實驗結果 195
7.7.2 改進點效果分析 195
7.7.3 可疑位置推薦與假陽性抑制算法的整合 197
7.8 小結 197
參考資料 197
第8章 車道線檢測 200
8.1 國內外研究現狀 200
8.2 主要研究內容 202
8.2.1 總體解決方案 202
8.2.2 各階段概述 203
8.3 車道線檢測系統的設計與實現 206
8.3.1 車道線圖像數據標注與篩選 206
8.3.2 車道線圖片預處理 208
8.3.3 車道線分割模型訓練 212
8.3.4 車道線檢測 221
8.3.5 車道線檢測結果 225
8.4 車道線檢測系統性能測試 225
8.4.1 車道線檢測質量測試 225
8.4.2 車道線檢測時間測試 227
8.5 小結 227
參考資料 228
第9章 交通視頻分析 229
9.1 國內外研究現狀 230
9.2 主要研究內容 231
9.2.1 總體設計 232
9.2.2 精度和性能要求 232
9.3 交通視頻分析 233
9.3.1 車輛檢測和車牌檢測 233
9.3.2 車牌識別功能設計詳解 235
9.3.3 車輛品牌及顏色的識別 243
9.3.4 目標跟蹤設計詳解 244
9.4 系統測試 247
9.4.1 車輛檢測 248
9.4.2 車牌檢測 251
9.4.3 車牌識別 253
9.4.4 車輛品牌識別 256
9.4.5 目標跟蹤 258
9.5 小結 259
參考資料 260
第1章 深度學習概述 2
1.1 深度學習發展簡史 2
1.2 有監督學習 4
1.2.1 圖像分類 4
1.2.2 目標檢測 6
1.2.3 人臉識別 10
1.2.4 語音識別 13
1.3 無監督學習 18
1.3.1 無監督學習概述 18
1.3.2 生成對抗網絡 18
1.4 強化學習 21
1.4.1 AlphaGo 21
1.4.2 AlphaGo Zero 23
1.5 小結 25
參考資料 25
第2章 深度神經網絡 27
2.1 神經元 27
2.2 感知機 30
2.3 前向傳遞 31
2.3.1 前向傳遞的流程 32
2.3.2 激活函數 33
2.3.3 損失函數 37
2.4 後向傳遞 40
2.4.1 後向傳遞的流程 40
2.4.2 梯度下降 40
2.4.3 參數修正 42
2.5 防止過擬合 44
2.5.1 dropout 44
2.5.2 正則化 45
2.6 小結 46
第3章 卷積神經網絡 47
3.1 卷積層 48
3.1.1 valid卷積 48
3.1.2 full卷積 50
3.1.3 same卷積 51
3.2 池化層 52
3.3 反卷積 53
3.4 感受野 54
3.5 卷積神經網絡實例 56
3.5.1 LeNet-5 56
3.5.2 AlexNet 58
3.5.3 VGGNet 62
3.5.4 GoogLeNet 64
3.5.5 ResNet 75
3.5.6 MobileNet 76
3.6 小結 78
進階篇
第4章 兩階段目標檢測方法 80
4.1 R-CNN 80
4.1.1 算法流程 80
4.1.2 訓練過程 81
4.2 SPP-Net 85
4.2.1 網絡結構 85
4.2.2 空間金字塔池化 86
4.3 Fast R-CNN 87
4.3.1 感興趣區域池化層 87
4.3.2 網絡結構 89
4.3.3 全連接層計算加速 90
4.3.4 目標分類 91
4.3.5 邊界框回歸 92
4.3.6 訓練過程 93
4.4 Faster R-CNN 97
4.4.1 網絡結構 98
4.4.2 RPN 99
4.4.3 訓練過程 105
4.5 R-FCN 107
4.5.1 R-FCN網絡結構 108
4.5.2 位置敏感的分數圖 109
4.5.3 位置敏感的RoI池化 110
4.5.4 R-FCN損失函數 111
4.5.5 Caffe網絡模型解析 111
4.5.6 U-Net 115
4.5.7 SegNet 116
4.6 Mask R-CNN 117
4.6.1 實例分割簡介 118
4.6.2 COCO數據集的像素級標注 119
4.6.3 網絡結構 120
4.7 小結 123
參考資料 123
第5章 單階段目標檢測方法 125
5.1 SSD 125
5.1.1 default box 125
5.1.2 網絡結構 126
5.1.3 Caffe網絡模型解析 127
5.1.4 訓練過程 135
5.2 RetinaNet 137
5.2.1 FPN 137
5.2.2 聚焦損失函數 139
5.3 RefineDet 140
5.3.1 網絡模型 141
5.3.2 Caffe網絡模型解析 143
5.3.3 訓練過程 152
5.4 YOLO 153
5.4.1 YOLO v1 153
5.4.2 YOLO v2 155
5.4.3 YOLO v3 157
5.5 目標檢測算法應用場景 159
5.5.1 高速公路坑洞檢測 160
5.5.2 息肉檢測 161
5.6 小結 162
參考資料 162
應用篇
第6章 肋骨骨折檢測 166
6.1 國內外研究現狀 166
6.2 解決方案 168
6.3 預處理 168
6.4 肋骨骨折檢測 169
6.5 實驗結果分析 170
6.6 小結 172
參考資料 173
第7章 肺結節檢測 174
7.1 國內外研究現狀 174
7.2 總體框架 176
7.2.1 肺結節數據集 176
7.2.2 肺結節檢測難點 177
7.2.3 算法框架 177
7.3 肺結節可疑位置推薦算法 178
7.3.1 CT圖像的預處理 179
7.3.2 肺結節分割算法 180
7.3.3 優化方法 182
7.3.4 推斷方法 184
7.4 可疑肺結節定位算法 185
7.5 實驗結果與分析(1) 186
7.5.1 實驗結果 186
7.5.2 改進點效果分析 186
7.6 假陽性肺結節抑制算法 188
7.6.1 假陽性肺結節抑制網絡 188
7.6.2 優化策略 192
7.6.3 推斷策略 194
7.7 實驗結果與分析(2) 194
7.7.1 實驗結果 195
7.7.2 改進點效果分析 195
7.7.3 可疑位置推薦與假陽性抑制算法的整合 197
7.8 小結 197
參考資料 197
第8章 車道線檢測 200
8.1 國內外研究現狀 200
8.2 主要研究內容 202
8.2.1 總體解決方案 202
8.2.2 各階段概述 203
8.3 車道線檢測系統的設計與實現 206
8.3.1 車道線圖像數據標注與篩選 206
8.3.2 車道線圖片預處理 208
8.3.3 車道線分割模型訓練 212
8.3.4 車道線檢測 221
8.3.5 車道線檢測結果 225
8.4 車道線檢測系統性能測試 225
8.4.1 車道線檢測質量測試 225
8.4.2 車道線檢測時間測試 227
8.5 小結 227
參考資料 228
第9章 交通視頻分析 229
9.1 國內外研究現狀 230
9.2 主要研究內容 231
9.2.1 總體設計 232
9.2.2 精度和性能要求 232
9.3 交通視頻分析 233
9.3.1 車輛檢測和車牌檢測 233
9.3.2 車牌識別功能設計詳解 235
9.3.3 車輛品牌及顏色的識別 243
9.3.4 目標跟蹤設計詳解 244
9.4 系統測試 247
9.4.1 車輛檢測 248
9.4.2 車牌檢測 251
9.4.3 車牌識別 253
9.4.4 車輛品牌識別 256
9.4.5 目標跟蹤 258
9.5 小結 259
參考資料 260
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。