电子书：《深度学习实践计算机视觉》_缪鹏_2019-01-01《深度学习实践计算机视觉》_缪鹏_20190101
111
内容简介：
卖品.仅供非商业用途或交流学习使用深度学习实践:计算机视觉2.14颜色直方图2.15平滑与模糊2.16边缘检.测17人险和眼睛检.测示例18本章总结3. i py torch3. 1. 2 autograd3.1.3 torch. nn3.2.1 variab3.22link与 function3. 2. 3 chain.eee3.2. 4 optimizers.\3.2.5损失函数326gpu的使用3.27模型的保存与加载543.28 fashionmnist图像分类示例3.3 tensorflow与ker3.3.1 tensorflo3.3.2 keras3.4 mxnet与 gluon4.2 gluon3.4.3 gluon sequential3.4.5使用gpu…4.6 gluon hybrid…773.4.7 lazy evaluation3. 4. 8 module.803.5其他框架6本章总结……
第4章图像分类4.1 vgg4.1.2 mxnet版vgg使用示例4.2 resnet…4.2.1 resnet介绍chainer版 resnet示例4.3 inception954.3.1 inception介绍4.3.2 keras版 inception v3川菜分类4.4 xception4.4.1 xception简述4.4.2 keras版本 xception使用示例densener224.5.1 densenet介绍4.5.2 pytorch.版 densener使用示例4.6本章总结第5章目标检.测与识别5.1 faster cnn-5.1.1 faster cnn介绍…5.1.2 chainercv版 faster rcnn示例5.2 ssd52.1ssd介绍22ssd示例9905.3yolo…….3.1 yolo v1、v2和v3介绍53.2 keras版本 yolo v3示例第6章图像分割6.1物体分割62语义分割62.1fcn与 segnet6.2.2 pspnet
播.违者自负法律责任品.仅供非商业用途或交流学习使深度学习实践:计算机视觉6.3实例分害6.3.2 mask r-cnn6.3.3 masklab64本章总结第7章图像搜索7.2 triplet network7. 3 marein based network4 keras版 triplet network示例74.1准备数据74.2训练文件744模型训练74.5模型测试20674.5结果可视化7.5本章小结第8章图像生成2188.1 vae8.1.1vae介绍8.1.2 chainer版本vae示例8.2生成对抗网络gan8.2.1gan介绍…8.2.2 chainer degan rpg游戏角色生成示例8.3 neural style transfer83.1 neural style transfer介绍2988483.2 mxnet多风格转换 msg-net示例84本章总结…后记
第1章深度学习与计算机视觉深度学习与计算机视觉近几年非常火.而它们又和人工智能联系紧密.但它们到底是什么.能解决什么问题呢?本章便试着通俗简要地回答这个问题首先是对世界的认识.对于人类来说.可以靠各种感官来感受周围的世界.包括眼口、鼻、耳、舌、身.这样我们就认识了这个世界是由颜色、形状、美丑、味道、温度甚至感情的憎恶等构成的。那么有没有方法让计算机也有这些感受和认知.再进行推理判断和决策呢?笔者认为这就是人工智对于计算机来说.一切皆为数字。比如性别为男性可以用1表示.女性则用0表示这些都是公认的.即一种个体的属性可以使用数字来表示。既然如此.那么用向量来表示也不会有问题.如[1.0.0代表“男”.[0.0.1代表“女”。一般地.一个个体会包含很多的属性.那么把这些属性全部组合起来是不是就可以代表这个个体呢?当然可以这对计算机来说就是有智慧的第一步—能认识并识别出不同的个体
播.违者自负法律责任!深度学习实践:计算机视觉用眼睛观察世界对人类来说轻而易举.但对只认识数字的计算机来说就是一项非常难的任务。那么计算机视觉主要想解决什么问题呢?简单说就是让计算机能像人一样看事物.并能理解看到的事物.粒度从非常小的苍蝇到非常大的宇宙.从静态的物体到动态的行为过程.等等。此时便会涉及到一个根本性的问题:怎么样在计算机中表示这么多不同的物体呢以前人们经常使用的就是规则.即人类自己定义如何表示某个(或某类)物体.如从颜色、形状、纹理等等方面描述.但要知道.这个世界是非常大的.物体种类可以说是不计其数.万一规则冲突了怎么办?所以说基于规则的方法局限性非常大。于是就产生了这样的想法:计算机的计算能力这么厉害.有没有可能让它自己学习这些规则呢比如给计算机看一些正确的例子?这样机器学习就产生了.深度学习是机器学习的一个子领域.而机器学习属于人工智能的研究范围。机器学习主要是让计算机从历史经验(即数据)中学习知识.可将其理解为发现历史规律.总结经验教训.所以也可称为模式识别。机器学习常常可分为三种类型:监督学习、非监督学习和半监督学习。如果将机器学习简单理解为学生读书学习的过程.那么监督学习可理解为学生跟着老师学习.老师学识丰富:而非监督学习则是学生完全自学.自力更生;半监督学习则是两者综合.老师学识有限或学识丰富但指导时间有限学生自己也需要自学近几年机器学习领域发展起来的原因主要有以下几点1)互联网快速发展.积累了大量的原始数据.包括图像、文本、影音等(2)计算机硬件飞速发展.计算能力大大提高(3)学术研究的突破.如以 hinton为代表的团队深度学习在很大程度上可理解为表示学习.即如何在计算机中用数字表示一个或类物体。这种数字组成的东西也常常被称为特征.顾名思义:独特的表征.即在计算机中只有某种物体才会用那样一组数字来表示.因此深度学习也称作特征学习。如图1-1所示的鸟在计算机中可用独特的数字或数字组合来表示.比如:单个数字99、向量[12399.88或者二维向量.甚至是更高维的向量。那么这些数字表示什么意义呢?人类制定的规则.这些数字表示的意义一般比较明显.比如表示颜色、形状、有没有羽毛等。而在深度学习中.物体的特征向量常常很难与人类的直观意义匹配.即人们不懂这些数字代表什么意义.但计算机懂一一计算机能在大量的特征向量中区分出个体
“
