深度學(xué)習(xí)之圖像識(shí)別：核心技術(shù)與案例實(shí)戰(zhàn)

前言
第1章 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)1
1.1 神經(jīng)網(wǎng)絡(luò)的生物基礎(chǔ)與數(shù)學(xué)模型1
1.1.1 神經(jīng)元1
1.1.2 感知機(jī)2
1.1.3 BP算法6
1.2 卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)10
1.2.1 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)11
1.2.2 卷積與權(quán)值共享13
1.2.3 感受野與池化14
第2章 深度學(xué)習(xí)優(yōu)化基礎(chǔ)17
2.1 深度學(xué)習(xí)主流開(kāi)源框架17
2.1.1 Caffe簡(jiǎn)介18
2.1.2 TensorFlow簡(jiǎn)介18
2.1.3 PyTorch簡(jiǎn)介19
2.1.4 Theano簡(jiǎn)介20
2.1.5 Keras簡(jiǎn)介20
2.1.6 MXNet簡(jiǎn)介21
2.1.7 Chainer簡(jiǎn)介21
2.2 網(wǎng)絡(luò)優(yōu)化參數(shù)22
2.2.1 常用激活函數(shù)22
2.2.2 參數(shù)初始化方法26
2.2.3 最優(yōu)化方法27
2.2.4 歸一化方法31
2.2.5 正則化方法33
第3章 深度學(xué)習(xí)中的數(shù)據(jù)36
3.1 深度學(xué)習(xí)通用數(shù)據(jù)集的發(fā)展36
3.1.1 MNIST數(shù)據(jù)集36
3.1.2 CIFAR10和CIFAR100數(shù)據(jù)集37
3.1.3 PASCAL數(shù)據(jù)集38
3.1.4 ImageNet數(shù)據(jù)集38
3.1.5 Microsoft COCO數(shù)據(jù)集39
3.2 常見(jiàn)的計(jì)算機(jī)視覺(jué)任務(wù)數(shù)據(jù)集40
3.2.1 人臉數(shù)據(jù)集40
3.2.2 自動(dòng)駕駛數(shù)據(jù)集52
3.2.3 醫(yī)學(xué)數(shù)據(jù)集55
3.3 數(shù)據(jù)增強(qiáng)59
3.3.1 有監(jiān)督數(shù)據(jù)增強(qiáng)60
3.3.2 無(wú)監(jiān)督數(shù)據(jù)增強(qiáng)63
3.4 數(shù)據(jù)的收集與標(biāo)注65
3.4.1 數(shù)據(jù)收集65
3.4.2 數(shù)據(jù)標(biāo)注67
3.4.3 數(shù)據(jù)清洗與整理68
第4章 圖像分類(lèi)70
4.1 圖像分類(lèi)基礎(chǔ)70
4.1.1 圖像分類(lèi)問(wèn)題70
4.1.2 深度學(xué)習(xí)圖像分類(lèi)發(fā)展簡(jiǎn)史72
4.1.3 評(píng)測(cè)指標(biāo)與優(yōu)化目標(biāo)75
4.1.4 圖像分類(lèi)的挑戰(zhàn)76
4.2 移動(dòng)端實(shí)時(shí)表情分類(lèi)實(shí)戰(zhàn)77
4.2.1 項(xiàng)目背景78
4.2.2 數(shù)據(jù)預(yù)處理80
4.2.3 項(xiàng)目方案82
4.2.4 模型訓(xùn)練與測(cè)試84
4.2.5 項(xiàng)目總結(jié)88
4.3 細(xì)粒度圖像分類(lèi)實(shí)戰(zhàn)89
4.3.1 項(xiàng)目背景89
4.3.2 項(xiàng)目方案90
4.3.3 模型訓(xùn)練與測(cè)試92
4.3.4 參數(shù)調(diào)試97
4.3.5 項(xiàng)目總結(jié)102
第5章 圖像分割103
5.1 傳統(tǒng)圖像分割方法103
5.1.1 閾值法103
5.1.2 區(qū)域生長(zhǎng)法與超像素105
5.1.3 圖切割105
5.1.4 活動(dòng)輪廓模型106
5.2 深度學(xué)習(xí)圖像分割109
5.2.1 基本流程110
5.2.2 反卷積110
5.2.3 多尺度與感受野112
5.2.4 CRF方法113
5.2.5 Image Matting與圖像融合114
5.3 移動(dòng)端實(shí)時(shí)圖像分割項(xiàng)目115
5.3.1 項(xiàng)目背景115
5.3.2 項(xiàng)目方案116
5.3.3 模型訓(xùn)練與總結(jié)126
5.4 一個(gè)實(shí)時(shí)肖像換背景項(xiàng)目127
5.4.1 項(xiàng)目背景127
5.4.2 項(xiàng)目方案128
5.4.3 模型訓(xùn)練與測(cè)試134
5.4.4 項(xiàng)目總結(jié)138
第6章 目標(biāo)檢測(cè)139
6.1 目標(biāo)檢測(cè)基礎(chǔ)139
6.1.1 檢測(cè)窗口選擇140
6.1.2 特征提取141
6.1.3 分類(lèi)器142
6.1.4 V-J人臉檢測(cè)算法143
6.2 深度學(xué)習(xí)目標(biāo)檢測(cè)方法145
6.2.1 Selective search與R-CNN146
6.2.2 RoI Pooling與SPPNet147
6.2.3 Fast R-CNN與Faster R-CNN149
6.2.4 YOLO方法152
6.2.5 SSD方法154
6.2.6 目標(biāo)檢測(cè)中的關(guān)鍵技術(shù)155
6.3 實(shí)戰(zhàn)Faster-R-CNN目標(biāo)檢測(cè)157
6.3.1 項(xiàng)目背景157
6.3.2 py-faster-rcnn框架解讀157
6.3.3 模型定義與分析170
6.3.4 模型訓(xùn)練與測(cè)試180
6.3.5 項(xiàng)目總結(jié)183
第7章 數(shù)據(jù)與模型可視化185
7.1 數(shù)據(jù)可視化185
7.1.1 低維數(shù)據(jù)可視化185
7.1.2 高維數(shù)據(jù)可視化187
7.2 模型可視化190
7.2.1 模型結(jié)構(gòu)可視化190
7.2.2 模型權(quán)重可視化198
7.2.3 特征圖可視化201
7.3 可視化案例202
7.3.1 項(xiàng)目背景202
7.3.2 數(shù)據(jù)接口定義204
7.3.3 網(wǎng)絡(luò)結(jié)構(gòu)定義205
7.3.4 可視化代碼添加207
7.3.5 可視化訓(xùn)練指標(biāo)207
第8章 模型壓縮209
8.1 模型壓縮方法209
8.1.1 模型設(shè)計(jì)壓縮210
8.1.2 網(wǎng)絡(luò)剪枝與量化213
8.1.3 張量分解216
8.1.4 模型蒸餾與遷移學(xué)習(xí)216
8.2 模型壓縮實(shí)戰(zhàn)218
8.2.1 網(wǎng)絡(luò)分析220
8.2.2 輸入尺度和第一層卷積設(shè)計(jì)224
8.2.3 網(wǎng)絡(luò)寬度與深度壓縮226
8.2.4 彌補(bǔ)通道損失228
8.2.5 總結(jié)230
第9章 損失函數(shù)231
9.1 分類(lèi)任務(wù)損失231
9.1.1 什么是0-1 loss231
9.1.2 熵與交叉熵loss231
9.1.3 softmax loss及其變種232
9.1.4 KL散度237
9.1.5 Hinge loss簡(jiǎn)介237
9.1.6 Exponential loss與Logistic loss237
9.1.7 多標(biāo)簽分類(lèi)任務(wù)loss238
9.2 回歸任務(wù)損失238
9.2.1 L1 loss與L2 loss238
9.2.2 L1 loss與L2 loss的改進(jìn)239
9.3 常見(jiàn)圖像任務(wù)與loss使用240
9.3.1 圖像基礎(chǔ)任務(wù)240
9.3.2 風(fēng)格化與圖像復(fù)原，超分辨重建240
9.3.3 生成對(duì)抗網(wǎng)絡(luò)241
9.3.4 總結(jié)245
第10章 模型部署與上線246
10.1 微信小程序前端開(kāi)發(fā)246
10.1.1 小程序的技術(shù)特點(diǎn)與定位246
10.1.2 Web前端基礎(chǔ)248
10.1.3 小程序開(kāi)發(fā)工具251
10.1.4 小程序前端目錄252
10.1.5 小程序前端開(kāi)發(fā)254
10.2 微信小程序服務(wù)端開(kāi)發(fā)260
10.2.1 域名注冊(cè)與管理260
10.2.2 服務(wù)端框架簡(jiǎn)介261
10.2.3 算法搭建與實(shí)現(xiàn)262
10.3 Caffe環(huán)境配置264
10.3.1 依賴(lài)庫(kù)安裝264
10.3.2 Caffe編譯安裝266