基于深度学习的目标检测原理与应用

反侵权盗版声明

参考文献

10.4.2 EfficientDet不足之处

10.4.1 EfficientDet推理效果

10.4 EfficientDet推理效果和不足之处

10.3.4 主干网

10.3.3 框/类预测网络缩放

10.3.2 BiFPN缩放

10.3.1 输入图像分辨率缩放

10.3 EfficientDet体系结构

10.2 双向特征金字塔网络

10.1 复合缩放

第10章 EfficientDet目标检测方法

9.5.2 跨迭代标准化

9.5.1 各种批标准化

9.5 YOLOv4中的新型批标准化

9.4.3 G-IoU、D-IoU和C-IoU

9.4.2 IoU和IoU损失

9.4.1 L1和L2损失的缺陷

9.4 YOLOv4中的损失函数C-IoU

9.3.2 keras实现三种激活函数性能比较

9.3.1 各激活函数的比较

9.3 YOLOv4中的激活函数

9.2.5 YOLOv4网络全景关系

9.2.4 CSPDarknet-53网络

9.2.3 使用YOLOv4的网络详情

9.2.2 路径增强网络

9.2.1 空间金字塔结构

9.2 YOLOv4大型网络架构及其主要创新改进

9.1.2 YOLOv4技巧汇总

9.1.1 速度与精度双提升

9.1 YOLOv4目标检测创新路径及技巧体系

第9章 YOLOv4目标检测方法

8.9.4 模型优化部分

8.9.3 模型训练部分

8.9.2 数据采集标注与数据预处理部分

8.9.1 YOLOv3工业实践需求分析及目标分析

8.9 YOLOv3实现工业工具检测

8.8.2 运行结果分析

8.8.1 运行检测代码演示

8.8 YOLOv3演示NMS过程找到最优框

8.7.2 NMS后的整理

8.7.1 延续上一节代码讲解NMS过程

8.7 YOLOv3 非极大值抑制过程

8.6.2 代码实践

8.6.1 思路讲解

8.6 YOLOv3 处理低阈值边框

8.5 YOLOv3 演示边框生成过程

8.4.2 实现步骤和代码

8.4.1 参数讲解

8.4 YOLOv3 实现检测层特征图到边界的预测值转变

8.3.2 Darknet-53的模块详解

8.3.1 构建Darknet-53的模块

8.3 构建Darknet-53网络前向传递过程

8.2 实践代码

8.1 Darknet-53网络工程结构和配置

第8章 构建Darknet-53网络实践

7.9 SSD较YOLOv3的劣势

7.8.2 损失函数

7.8.1 默认框匹配策略

7.8 SSD网络损失函数

7.7.4 SSD网络检测物体方法

7.7.3 SSD与YOLOv3

7.7.2 扩张卷积

7.7.1 SSD网络基础架构

7.7 SSD网络架构

7.6 SSD多尺度特征图目标检测思想

7.5 YOLOv3的检测效果

7.4 YOLOv3的非极大值抑制

7.3 YOLOv3的三级检测输出过程

7.2.5 损失函数

7.2.4 更多的锚框

7.2.3 更擅长检测较小的物体

7.2.2 三级检测

7.2.1 106层的Darknet-53主干网络架构

7.2 YOLOv3的关键创新点

7.1 YOLOv3的创新改进

第7章 YOLOv3创新思想及整体架构

6.7.3 在组合数据集上训练YOLO9000

6.7.2 构建WordTree进行分层分类

6.7.1 组合两种数据集的必要性

6.7 使用WordTree的YOLO9000——更强

6.6.3 YOLOv2的损失函数

6.6.2 三阶段训练

6.6.1 Darknet-19

6.6 YOLOv2 使用Darknet-19——更快

6.5.8 实验对比

6.5.7 多尺度训练

6.5.6 细粒度特征

6.5.5 约束边框位置

6.5.4 框聚类

6.5.3 预设锚框并采用全卷积

6.5.2 高分辨率分类器

6.5.1 批归一化

6.5 YOLOv2改进YOLOv1——更好

6.4 YOLOv2实现更好、更快、更强

6.3.3 YOLO模型优缺点

6.3.2 YOLO模型评估

6.3.1 YOLO数据集

6.3 YOLO模型评估、优劣势分析

6.2.2 YOLO的网络训练与损失函数

6.2.1 YOLO的网络结构

6.2 YOLO的网络结构、网络与损失函数

6.1.3 YOLO创新细节

6.1.2 网格单元

6.1.1 改进思想

6.1 YOLO目标检测思想

第6章 目标检测的一阶段学习方法

5.10 详细讲解Faster R-CNN关键部分RoI代码

5.9.2 Faster R-CNN的测试步骤

5.9.1 Faster R-CNN的训练步骤

5.9 Faster R-CNN的训练步骤及测试步骤

5.8 Faster R-CNN的全景架构和损失函数

5.7.2 边界框回归的数学支撑

5.7.1 为什么使用边界框回归

5.7 深入剖析Faster R-CNN中边界框回归

5.6.3 区域建议网络

5.6.2 替代选择搜索的锚框

5.6.1 Faster R-CNN的创新思想

5.6 Fast R-CNN的创新

5.5.4 Fast R-CNN结果评估

5.5.3 RoI池化反向传播方法

5.5.2 Fast R-CNN网络架构

5.5.1 Fast R-CNN模型工作流程

5.5 Fast R-CNN网络架构和模型评估

5.4.3 Fast R-CNN创新损失函数设计

5.4.2 感兴趣区域池化

5.4.1 R-CNN的缺陷

5.4 R-CNN的缺陷和Fast R-CNN的改进

5.3.2 R-CNN用于目标检测与分割

5.3.1 R-CNN用于细粒度类别检测

5.3 R-CNN目标检测模型评估结果

5.2 目标检测指标——二分类器

5.1.3 R-CNN网络架构及训练过程

5.1.2 从滑动窗口到选择搜索

5.1.1 目标检测数据集

5.1 R-CNN目标检测思想

第5章 目标检测的两阶段深度学习方法

4.5 改进卷积神经网络以提高图像分类准确率

4.4 选择卷积神经网络损失函数及优化器

4.3 设计卷积神经网络进行图像分类

4.2 卷积神经网络训练技巧及经典架构

4.1 卷积神经网络的重要概念

第4章 深度学习引入及图像分类实战

3.4 利用OpenCV进行基于Haar特征的人脸检测实战

3.3 AdaBoost级联应用于Haar特征人脸检测

3.2 AdaBoost应用于Haar人脸特征分类

3.1.2 积分图像构建算法

3.1.1 Haar特征

3.1 Haar特征与积分图像构建算法

第3章 OpenCV目标检测实战

2.4.7 PyTorch的神经网络nn包

2.4.6 PyTorch自动求导机制

2.4.5 PIL图像格式转换

2.4.4 基本代码操作

2.4.3 张量

2.4.2 PyTorch安装

2.4.1 PyTorch简介

2.4 PyTorch基础

2.3.9 OpenCV图像梯度

2.3.8 OpenCV形态学转换

2.3.7 OpenCV图像简单阈值处理

2.3.6 OpenCV几何变换

2.3.5 OpenCV颜色空间转换

2.3.4 OpenCV基本操作

2.3.3 OpenCV图像和视频的读/写

2.3.2 安装OpenCV

2.3.1 OpenCV的历史起源

2.3 跨平台计算机视觉和机器学习软件库OpenCV基础

2.2.2 非极大值抑制

2.2.1 函数极值理论

2.2 函数极值理论与非极大值抑制

2.1.3 卷积

2.1.2 矩阵

2.1.1 向量

2.1 向量、矩阵和卷积

第2章 计算机视觉数学、编程基础

1.2.4 目标检测方法

1.2.3 目标检测面临的挑战

1.2.2 目标检测的应用

1.2.1 计算机视觉三大主要任务

1.2 目标检测概述

1.1.2 计算机视觉应用展现

1.1.1 人类视觉与计算机视觉比较

1.1 计算机视觉原理

第1章 计算机视觉及目标检测

前言

内容简介

版权信息

封面

封面

版权信息

内容简介

前言

第1章 计算机视觉及目标检测

1.1 计算机视觉原理

1.1.1 人类视觉与计算机视觉比较

1.1.2 计算机视觉应用展现

1.2 目标检测概述

1.2.1 计算机视觉三大主要任务

1.2.2 目标检测的应用

1.2.3 目标检测面临的挑战

1.2.4 目标检测方法

第2章 计算机视觉数学、编程基础

2.1 向量、矩阵和卷积

2.1.1 向量

2.1.2 矩阵

2.1.3 卷积

2.2 函数极值理论与非极大值抑制

2.2.1 函数极值理论

2.2.2 非极大值抑制

2.3 跨平台计算机视觉和机器学习软件库OpenCV基础

2.3.1 OpenCV的历史起源

2.3.2 安装OpenCV

2.3.3 OpenCV图像和视频的读/写

2.3.4 OpenCV基本操作

2.3.5 OpenCV颜色空间转换

2.3.6 OpenCV几何变换

2.3.7 OpenCV图像简单阈值处理

2.3.8 OpenCV形态学转换

2.3.9 OpenCV图像梯度

2.4 PyTorch基础

2.4.1 PyTorch简介

2.4.2 PyTorch安装

2.4.3 张量

2.4.4 基本代码操作

2.4.5 PIL图像格式转换

2.4.6 PyTorch自动求导机制

2.4.7 PyTorch的神经网络nn包

第3章 OpenCV目标检测实战

3.1 Haar特征与积分图像构建算法

3.1.1 Haar特征

3.1.2 积分图像构建算法

3.2 AdaBoost应用于Haar人脸特征分类

3.3 AdaBoost级联应用于Haar特征人脸检测

3.4 利用OpenCV进行基于Haar特征的人脸检测实战

第4章 深度学习引入及图像分类实战

4.1 卷积神经网络的重要概念

4.2 卷积神经网络训练技巧及经典架构

4.3 设计卷积神经网络进行图像分类

4.4 选择卷积神经网络损失函数及优化器

4.5 改进卷积神经网络以提高图像分类准确率

第5章 目标检测的两阶段深度学习方法

5.1 R-CNN目标检测思想

5.1.1 目标检测数据集

5.1.2 从滑动窗口到选择搜索

5.1.3 R-CNN网络架构及训练过程

5.2 目标检测指标——二分类器

5.3 R-CNN目标检测模型评估结果

5.3.1 R-CNN用于细粒度类别检测

5.3.2 R-CNN用于目标检测与分割

5.4 R-CNN的缺陷和Fast R-CNN的改进

5.4.1 R-CNN的缺陷

5.4.2 感兴趣区域池化

5.4.3 Fast R-CNN创新损失函数设计

5.5 Fast R-CNN网络架构和模型评估

5.5.1 Fast R-CNN模型工作流程

5.5.2 Fast R-CNN网络架构

5.5.3 RoI池化反向传播方法

5.5.4 Fast R-CNN结果评估

5.6 Fast R-CNN的创新

5.6.1 Faster R-CNN的创新思想

5.6.2 替代选择搜索的锚框

5.6.3 区域建议网络

5.7 深入剖析Faster R-CNN中边界框回归

5.7.1 为什么使用边界框回归

5.7.2 边界框回归的数学支撑

5.8 Faster R-CNN的全景架构和损失函数

5.9 Faster R-CNN的训练步骤及测试步骤

5.9.1 Faster R-CNN的训练步骤

5.9.2 Faster R-CNN的测试步骤

5.10 详细讲解Faster R-CNN关键部分RoI代码

第6章 目标检测的一阶段学习方法

6.1 YOLO目标检测思想

6.1.1 改进思想

6.1.2 网格单元

6.1.3 YOLO创新细节

6.2 YOLO的网络结构、网络与损失函数

6.2.1 YOLO的网络结构

6.2.2 YOLO的网络训练与损失函数

6.3 YOLO模型评估、优劣势分析

6.3.1 YOLO数据集

6.3.2 YOLO模型评估

6.3.3 YOLO模型优缺点

6.4 YOLOv2实现更好、更快、更强

6.5 YOLOv2改进YOLOv1——更好

6.5.1 批归一化

6.5.2 高分辨率分类器

6.5.3 预设锚框并采用全卷积

6.5.4 框聚类

6.5.5 约束边框位置

6.5.6 细粒度特征

6.5.7 多尺度训练

6.5.8 实验对比

6.6 YOLOv2 使用Darknet-19——更快

6.6.1 Darknet-19

6.6.2 三阶段训练

6.6.3 YOLOv2的损失函数

6.7 使用WordTree的YOLO9000——更强

6.7.1 组合两种数据集的必要性

6.7.2 构建WordTree进行分层分类

6.7.3 在组合数据集上训练YOLO9000

第7章 YOLOv3创新思想及整体架构

7.1 YOLOv3的创新改进

7.2 YOLOv3的关键创新点

7.2.1 106层的Darknet-53主干网络架构

7.2.2 三级检测

7.2.3 更擅长检测较小的物体

7.2.4 更多的锚框

7.2.5 损失函数

7.3 YOLOv3的三级检测输出过程

7.4 YOLOv3的非极大值抑制

7.5 YOLOv3的检测效果

7.6 SSD多尺度特征图目标检测思想

7.7 SSD网络架构

7.7.1 SSD网络基础架构

7.7.2 扩张卷积

7.7.3 SSD与YOLOv3

7.7.4 SSD网络检测物体方法

7.8 SSD网络损失函数

7.8.1 默认框匹配策略

7.8.2 损失函数

7.9 SSD较YOLOv3的劣势

第8章 构建Darknet-53网络实践

8.1 Darknet-53网络工程结构和配置

8.2 实践代码

8.3 构建Darknet-53网络前向传递过程

8.3.1 构建Darknet-53的模块

8.3.2 Darknet-53的模块详解

8.4 YOLOv3 实现检测层特征图到边界的预测值转变

8.4.1 参数讲解

8.4.2 实现步骤和代码

8.5 YOLOv3 演示边框生成过程

8.6 YOLOv3 处理低阈值边框

8.6.1 思路讲解

8.6.2 代码实践

8.7 YOLOv3 非极大值抑制过程

8.7.1 延续上一节代码讲解NMS过程

8.7.2 NMS后的整理

8.8 YOLOv3演示NMS过程找到最优框

8.8.1 运行检测代码演示

8.8.2 运行结果分析

8.9 YOLOv3实现工业工具检测

8.9.1 YOLOv3工业实践需求分析及目标分析

8.9.2 数据采集标注与数据预处理部分

8.9.3 模型训练部分

8.9.4 模型优化部分

第9章 YOLOv4目标检测方法

9.1 YOLOv4目标检测创新路径及技巧体系

9.1.1 速度与精度双提升

9.1.2 YOLOv4技巧汇总

9.2 YOLOv4大型网络架构及其主要创新改进

9.2.1 空间金字塔结构

9.2.2 路径增强网络

9.2.3 使用YOLOv4的网络详情

9.2.4 CSPDarknet-53网络

9.2.5 YOLOv4网络全景关系

9.3 YOLOv4中的激活函数

9.3.1 各激活函数的比较

9.3.2 keras实现三种激活函数性能比较

9.4 YOLOv4中的损失函数C-IoU

9.4.1 L1和L2损失的缺陷

9.4.2 IoU和IoU损失

9.4.3 G-IoU、D-IoU和C-IoU

9.5 YOLOv4中的新型批标准化

9.5.1 各种批标准化

9.5.2 跨迭代标准化

第10章 EfficientDet目标检测方法

10.1 复合缩放

10.2 双向特征金字塔网络

10.3 EfficientDet体系结构

10.3.1 输入图像分辨率缩放

10.3.2 BiFPN缩放

10.3.3 框/类预测网络缩放

10.3.4 主干网

10.4 EfficientDet推理效果和不足之处

10.4.1 EfficientDet推理效果

10.4.2 EfficientDet不足之处

参考文献

反侵权盗版声明