三民網路書店 / 搜尋結果

※本書結構本書共5篇，第1篇、第2篇重點介紹以YOLO為代表的一階段物件辨識神經網路；第3篇、第4篇重點介紹物件辨識神經網路在雲端和邊緣端的部署，其中對邊緣端的量化原理進行了重點介紹；第5篇重點介紹當前較為流行的自動駕駛的資料計算原理和物件辨識。本書實用性非常強，既適合對電腦視覺具有一定了解的高等院校大學生、所究所學生及具有轉型意願的軟體工程師入門學習，又適合電腦視覺工程項目研發和營運人員參考閱讀。第1篇，以知名電腦視覺競賽任務為例，旨在介紹物件辨識應用場景下的基本概念和約定，以及資料標注工具和格式，讓讀者具備特徵融合網路、預測網路的設計能力。對於資料後處理技術則介紹了解碼網路、資料重網路拓樸路、NMS演算法等後處理演算法，在此基礎上結合各式各樣的骨幹網路，讀者就可以架設完整的一階段物件辨識神經網路模型了。第2篇，旨在介紹物件辨識神經網路的訓練全流程。本篇從資料集製作到損失函式設計，從訓練資料監控到NaN或INF異常處理，特別是對不同損失函式的設計，進行了非常詳細的原理性闡述。相比神經網路設計，損失函式的設計是最具有可解釋性的，也是電腦視覺研究中比較容易出成果的研究方向。第3篇，旨在運用物件辨識神經網路的訓練成果，架設完整的物件辨識推理模型。推理模型支援雲端部署和邊緣端部署。對於雲端部署，以主流的亞馬遜雲端為例介紹；對於邊緣端部署，以GoogleCoral開發板為例，介紹神經網路量化模型的基礎原理和模型編譯邏輯。第4篇，結合作者主導過的智慧交通、智慧後勤等專案，旨在介紹實際電腦視覺資料增強技術，以及神經網路性能評估的原理和具體應用。本篇還結合應用同樣廣泛的算能科技（比特中國）SE5邊緣計算閘道和瑞芯微RK3588邊緣計算系統，介紹實際專案中如何使用邊緣計算硬體加速人工智慧的產業化應用。根據邊緣計算硬體特性對神經網路進行針對性修改，是真正考驗一個開發者對神經網路理解程度的試金石。跟隨本書介紹熟練掌握2～3款邊緣計算硬體，就能更快速地將電腦視覺應用到實際生產中，在具體應用中創造價值。第5篇，旨在將讀者引入三維電腦視覺中最重要的應用領域之一：自動駕駛。圍繞KITTI資料集，本篇介紹了自動駕駛資料的計算原理，並重點介紹了PointNet++等多個三維物件辨識神經網路。附錄列表說明了本書所參考的物件辨識原始程式碼、Python運行環境架設，以及TensorFlow的基本操作。

本書按實戰項目研發的先後順序，介紹了目標檢測神經網絡從研發到運營的全生命週期。首先介紹了目標檢測場景下的圖片標注方法和數據格式，以及與之密切相關的特徵融合網絡和預測網絡；介紹了數據"後處理”所涉及的NMS算法及其變種，在此基礎上，讀者只需結合各式各樣的骨幹網絡就可以搭建完整的一階段目標檢測神經網絡模型。接下來介紹了神經網絡的動態模式和靜態模式兩種訓練方法，以及訓練過程中的數據監控和異常處理。最後以亞馬遜雲和谷歌Coral開發板為例，介紹了雲端部署和邊緣端部署神經網絡的兩種部署方法。其中，對於邊緣端部署，本書還詳細介紹了神經網絡量化模型的基礎原理和模型編譯邏輯，這對將神經網絡轉化為可獨立交付的產品至關重要。 本書還結合智慧交通、智慧後勤、自動駕駛等項目，介紹了計算機視覺數據增強技術和神經網絡性能評估原理，以及邊緣計算網關、邊緣計算系統、自動駕駛數據的計算原理和PointNet++等多個三維目標檢測神經網絡，幫助讀者快速將計算機視覺技術運用到實際生產中。

本書對二維、三維目標檢測技術涉及的骨幹網絡及入門的計算機視覺算法進行全面的介紹。本書由淺入深地介紹了MNIST、ImageNet、CIFAR、波士頓房產、ModelNet等經典二維、三維數據集和相關國際賽事，還介紹了TensorFlow中的二維卷積層、全連接層、激活層、池化層、批次歸一化層、隨機失活層的算法和梯度下降原理，AlexNet、VGG、ResNet、DarkNet、CSP-DarkNet等經典骨幹網絡的設計原理，以及PointNet、GCN等三維計算機視覺神經網絡。此外，本書通過設計巧妙且具體的案例，讓讀者穩步建立扎實的編程能力，包括數據集的製作和解析、神經網絡模型設計能力和開銷估算、損失函數的設計、神經網絡的動態模式和靜態模式的訓練方法和過程控制、神經網絡的邊緣計算模型量化、神經網絡的云計算部署。完成本書的學習，讀者可以繼續閱讀與本書緊密銜接的《深入理解計算機視覺：在邊緣端構建高效的目標檢測系統》，將所學的計算機視覺基礎知識運用到目標檢測的神經網絡設計中，對邊緣計算環境下的神經網絡進行遊刃有余的調整。