PyTorch计算机视觉实战：目标检测、图像处理与深度学习

译者简介

APPENDIX 附录 课后习题答案

18.6 小结

18.5 图像中的车牌检测

18.4 构建全景图像

18.3 基于颜色的目标检测

18.2 图像中的车道线检测

18.1 图像中的单词检测

CHAPTER 18 第18章 使用OpenCV实用程序进行图像分析

17.4 小结

17.3.3 在云端发布并运行Docker容器

17.3.2 创建Docker容器

17.3.1 Docker镜像与Docker容器

17.3 将API部署到云端

17.2.2 图像分类器的支持组件

17.2.1 安装API模块和依赖项

17.2 在本地服务器上创建API并进行预测

17.1 API基础知识

CHAPTER 17 第17章 模型的实际应用部署

16.7 课后习题

16.6 小结

16.5.2 训练自动驾驶智能体

16.5.1 安装CARLA环境

16.5 实现自动驾驶智能体

16.4 目标固定的深度Q学习

16.3 实现深度Q学习

16.2.4 探索-利用机制

16.2.3 构建Q表

16.2.2 了解Gym环境

16.2.1 Q值

16.2 实现Q学习

16.1.2 计算状态-行为价值

16.1.1 计算状态价值

16.1 强化学习基础知识

CHAPTER 16 第16章 计算机视觉与强化学习

15.7 课后习题

15.6 小结

15.5.3 目标检测的代码实现

15.5.2 DETR的工作细节

15.5.1 transformer的工作细节

15.5 使用DETR进行目标检测

15.4.3 手写转录的代码实现

15.4.2 计算CTC损失值

15.4.1 CTC损失的工作细节

15.4 转录手写图像

15.3 生成图像标题

15.2.2 使用PyTorch实现LSTM

15.2.1 LSTM的工作细节

15.2 LSTM架构简介

15.1.3 为什么需要存储记忆

15.1.2 探索RNN的结构

15.1.1 RNN架构的应用场景

15.1 RNN模型简介

CHAPTER 15 第15章 计算机视觉与NLP

14.4 课后习题

14.3 小结

14.2.3 关系网络的工作细节

14.2.2 原型网络的工作细节

14.2.1 构建Siamese网络

14.2 实现小样本学习

14.1 实现零样本学习

CHAPTER 14 第14章 使用小样本进行模型训练

第四部分 计算机视觉与其他技术

13.6 课后习题

13.5 小结

13.4.2 编码SRGAN

13.4.1 架构

13.4 超分辨率GAN

13.3 在定制图像上使用StyleGAN模型

13.2 使用CycleGAN模型

13.1 使用Pix2Pix GAN模型

CHAPTER 13 第13章 高级GAN图像处理

12.6 课后习题

12.5 小结

12.4 实现条件GAN模型

12.3 使用DCGAN生成人脸图像

12.2 使用GAN生成手写数字

12.1 GAN模型简介

CHAPTER 12 第12章 基于GAN的图像生成

11.8 课后习题

11.7 小结

11.6 生成深度虚拟图像

11.5 图像风格迁移

11.4 图像对抗性攻击

11.3.3 构建VAE模型

11.3.2 KL散度

11.3.1 VAE的工作机制

11.3 理解变分自编码器

11.2 理解卷积自编码器

11.1 理解自编码器

CHAPTER 11 第11章 自编码器与图像处理

第三部分 图像处理

10.6 小结

10.5.2 训练YOLO模型实现三维目标检测

10.5.1 理论

10.5 面向点云的三维目标检测

10.4 图像着色

10.3 人群计数

10.2 人体姿态检测

10.1.3 对新图像进行推断

10.1.2 训练用于实例分割的模型

10.1.1 获取和准备数据

10.1 多目标实例分割

CHAPTER 10 第10章 目标检测与分割的应用

9.6 课后习题

9.5 小结

9.4 使用Mask R-CNN实现实例分割

9.3.2 掩码头部

9.3.1 RoI对齐

9.3 探索Mask R-CNN架构

9.2 使用U-Net实现语义分割

9.1 探索U-Net架构

CHAPTER 9 第9章 图像分割

8.8 课后习题

8.7 小结

8.6 基于定制数据集训练SSD模型

8.5 SSD模型的工作细节

8.4.4 训练和测试模型

8.4.3 配置架构

8.4.2 设置数据集格式

8.4.1 安装Darknet

8.4 基于定制数据集训练YOLO

8.3 YOLO的工作细节

8.2 基于定制数据集训练Faster R-CNN

8.1.2 区域建议网络

8.1.1 锚盒

8.1 现代目标检测算法的组成

CHAPTER 8 第8章 目标检测进阶

7.10 课后习题

7.9 小结

7.8.2 基于定制数据集实现Fast R-CNN目标检测模型

7.8.1 Fast R-CNN的工作细节

7.8 训练基于Fast R-CNN的定制目标检测器

7.7.2 基于定制数据集实现R-CNN目标检测模型

7.7.1 R-CNN的工作细节

7.7 训练基于R-CNN的定制目标检测器

7.6 mAP

7.5 非极大抑制

7.4 理解IoU

7.3.2 实现用于生成区域建议的SelectiveSearch

7.3.1 使用SelectiveSearch生成区域建议

7.3 理解区域建议

7.2 为训练图像样本创建真值

7.1 目标检测简介

CHAPTER 7 第7章 目标检测基础

6.5 课后习题

6.4 小结

6.3.6 使用OpenCV实用程序

6.3.5 图像的大小

6.3.4 扁平层中的节点数

6.3.3 训练数据和验证数据之间的差异

6.3.2 分类图像中目标的大小

6.3.1 处理不平衡数据

6.3 模型实现的实践要点

6.2 数据增强和批归一化

6.1 生成CAM

CHAPTER 6 第6章 图像分类的实战技术

5.8 课后习题

5.7 小结

5.6 torch_snippets库简介

5.5 多任务学习——实现年龄估计和性别分类

5.4 实现人脸关键点检测

5.3 理解ResNet架构

5.2 理解VGG16架构

5.1 迁移学习简介

CHAPTER 5 第5章 面向图像分类的迁移学习

4.9 课后习题

4.8 小结

4.7 构建对真实图像进行分类的CNN

4.6 特征学习结果的可视化

4.5.3 用于图像平移的数据增强

4.5.2 对一批图像执行数据增强及collate_fn的必要性

4.5.1 图像增强

4.5 实现数据增强

4.4 使用深度CNN分类图像

4.3.2 基于Python的前向传播

4.3.1 使用PyTorch构建基于CNN的架构

4.3 实现CNN

4.2.6 卷积和池化的图像平移不变性原理

4.2.5 整合各个构建模块

4.2.4 池化

4.2.3 步长和填充

4.2.2 滤波器

4.2.1 卷积

4.2 CNN的构建模块

4.1 传统深度神经网络的问题

CHAPTER 4 第4章 卷积神经网络

第二部分 物体分类与目标检测

3.14 课后习题

3.13 小结

3.12.2 正则化的影响

3.12.1 添加dropout的影响

3.12 过拟合的概念

3.11.2 经过批归一化的非常小的输入值

3.11.1 没有批归一化的非常小的输入值

3.11 理解不同批归一化的影响

3.10 构建更深的神经网络

3.9 理解不同学习率衰减的影响

3.8.2 不同学习率对非缩放数据集的影响

3.8.1 学习率对缩放数据集的影响

3.8 理解不同学习率的影响

3.7 理解不同损失优化器的影响

3.6.2 批大小为10000

3.6.1 批大小为32

3.6 理解不同批大小的影响

3.5 缩放数据集以提升模型准确度

3.4 训练神经网络

3.3 为图像分类准备数据

3.2 为什么要使用神经网络进行图像分析

3.1 表示图像

CHAPTER 3 第3章 使用PyTorch构建深度神经网络

2.7 课后习题

2.6 小结

2.5.3 加载

2.5.2 保存

2.5.1 state dict

2.5 保存并加载PyTorch模型

2.4 使用序贯方法构建神经网络

2.3.4 获取中间层的值

2.3.3 实现自定义损失函数

2.3.2 预测新的数据点

2.3.1 数据集、数据加载器和批大小

2.3 使用PyTorch构建神经网络

2.2.4 PyTorch的张量较NumPy的ndarrays的优势

2.2.3 张量对象的自动梯度

2.2.2 张量运算

2.2.1 初始化张量

2.2 PyTorch张量

2.1 安装PyTorch

CHAPTER 2 第2章 PyTorch基础

1.9 课后习题

1.8 小结

1.7 总结神经网络的训练过程

1.6 理解学习率的影响

1.5 整合前向传播与反向传播

1.4.2 使用链式法则实现反向传播

1.4.1 梯度下降的代码

1.4 实现反向传播

1.3.5 前向传播的代码

1.3.4 计算损失值

1.3.3 计算输出层的值

1.3.2 应用激活函数

1.3.1 计算隐藏层的值

1.3 实现前向传播

1.2 人工神经网络的构建模块

1.1 比较人工智能与传统机器学习

CHAPTER 1 第1章 人工神经网络基础

第一部分 面向计算机视觉的深度学习基础知识

前言

译者序

文前

作者简介

版权信息

封面

封面

版权信息

作者简介

文前

译者序

前言

第一部分 面向计算机视觉的深度学习基础知识

CHAPTER 1 第1章 人工神经网络基础

1.1 比较人工智能与传统机器学习

1.2 人工神经网络的构建模块

1.3 实现前向传播

1.3.1 计算隐藏层的值

1.3.2 应用激活函数

1.3.3 计算输出层的值

1.3.4 计算损失值

1.3.5 前向传播的代码

1.4 实现反向传播

1.4.1 梯度下降的代码

1.4.2 使用链式法则实现反向传播

1.5 整合前向传播与反向传播

1.6 理解学习率的影响

1.7 总结神经网络的训练过程

1.8 小结

1.9 课后习题

CHAPTER 2 第2章 PyTorch基础

2.1 安装PyTorch

2.2 PyTorch张量

2.2.1 初始化张量

2.2.2 张量运算

2.2.3 张量对象的自动梯度

2.2.4 PyTorch的张量较NumPy的ndarrays的优势

2.3 使用PyTorch构建神经网络

2.3.1 数据集、数据加载器和批大小

2.3.2 预测新的数据点

2.3.3 实现自定义损失函数

2.3.4 获取中间层的值

2.4 使用序贯方法构建神经网络

2.5 保存并加载PyTorch模型

2.5.1 state dict

2.5.2 保存

2.5.3 加载

2.6 小结

2.7 课后习题

CHAPTER 3 第3章 使用PyTorch构建深度神经网络

3.1 表示图像

3.2 为什么要使用神经网络进行图像分析

3.3 为图像分类准备数据

3.4 训练神经网络

3.5 缩放数据集以提升模型准确度

3.6 理解不同批大小的影响

3.6.1 批大小为32

3.6.2 批大小为10000

3.7 理解不同损失优化器的影响

3.8 理解不同学习率的影响

3.8.1 学习率对缩放数据集的影响

3.8.2 不同学习率对非缩放数据集的影响

3.9 理解不同学习率衰减的影响

3.10 构建更深的神经网络

3.11 理解不同批归一化的影响

3.11.1 没有批归一化的非常小的输入值

3.11.2 经过批归一化的非常小的输入值

3.12 过拟合的概念

3.12.1 添加dropout的影响

3.12.2 正则化的影响

3.13 小结

3.14 课后习题

第二部分 物体分类与目标检测

CHAPTER 4 第4章 卷积神经网络

4.1 传统深度神经网络的问题

4.2 CNN的构建模块

4.2.1 卷积

4.2.2 滤波器

4.2.3 步长和填充

4.2.4 池化

4.2.5 整合各个构建模块

4.2.6 卷积和池化的图像平移不变性原理

4.3 实现CNN

4.3.1 使用PyTorch构建基于CNN的架构

4.3.2 基于Python的前向传播

4.4 使用深度CNN分类图像

4.5 实现数据增强

4.5.1 图像增强

4.5.2 对一批图像执行数据增强及collate_fn的必要性

4.5.3 用于图像平移的数据增强

4.6 特征学习结果的可视化

4.7 构建对真实图像进行分类的CNN

4.8 小结

4.9 课后习题

CHAPTER 5 第5章 面向图像分类的迁移学习

5.1 迁移学习简介

5.2 理解VGG16架构

5.3 理解ResNet架构

5.4 实现人脸关键点检测

5.5 多任务学习——实现年龄估计和性别分类

5.6 torch_snippets库简介

5.7 小结

5.8 课后习题

CHAPTER 6 第6章 图像分类的实战技术

6.1 生成CAM

6.2 数据增强和批归一化

6.3 模型实现的实践要点

6.3.1 处理不平衡数据

6.3.2 分类图像中目标的大小

6.3.3 训练数据和验证数据之间的差异

6.3.4 扁平层中的节点数

6.3.5 图像的大小

6.3.6 使用OpenCV实用程序

6.4 小结

6.5 课后习题

CHAPTER 7 第7章 目标检测基础

7.1 目标检测简介

7.2 为训练图像样本创建真值

7.3 理解区域建议

7.3.1 使用SelectiveSearch生成区域建议

7.3.2 实现用于生成区域建议的SelectiveSearch

7.4 理解IoU

7.5 非极大抑制

7.6 mAP

7.7 训练基于R-CNN的定制目标检测器

7.7.1 R-CNN的工作细节

7.7.2 基于定制数据集实现R-CNN目标检测模型

7.8 训练基于Fast R-CNN的定制目标检测器

7.8.1 Fast R-CNN的工作细节

7.8.2 基于定制数据集实现Fast R-CNN目标检测模型

7.9 小结

7.10 课后习题

CHAPTER 8 第8章 目标检测进阶

8.1 现代目标检测算法的组成

8.1.1 锚盒

8.1.2 区域建议网络

8.2 基于定制数据集训练Faster R-CNN

8.3 YOLO的工作细节

8.4 基于定制数据集训练YOLO

8.4.1 安装Darknet

8.4.2 设置数据集格式

8.4.3 配置架构

8.4.4 训练和测试模型

8.5 SSD模型的工作细节

8.6 基于定制数据集训练SSD模型

8.7 小结

8.8 课后习题

CHAPTER 9 第9章 图像分割

9.1 探索U-Net架构

9.2 使用U-Net实现语义分割

9.3 探索Mask R-CNN架构

9.3.1 RoI对齐

9.3.2 掩码头部

9.4 使用Mask R-CNN实现实例分割

9.5 小结

9.6 课后习题

CHAPTER 10 第10章 目标检测与分割的应用

10.1 多目标实例分割

10.1.1 获取和准备数据

10.1.2 训练用于实例分割的模型

10.1.3 对新图像进行推断

10.2 人体姿态检测

10.3 人群计数

10.4 图像着色

10.5 面向点云的三维目标检测

10.5.1 理论

10.5.2 训练YOLO模型实现三维目标检测

10.6 小结

第三部分 图像处理

CHAPTER 11 第11章 自编码器与图像处理

11.1 理解自编码器

11.2 理解卷积自编码器

11.3 理解变分自编码器

11.3.1 VAE的工作机制

11.3.2 KL散度

11.3.3 构建VAE模型

11.4 图像对抗性攻击

11.5 图像风格迁移

11.6 生成深度虚拟图像

11.7 小结

11.8 课后习题

CHAPTER 12 第12章 基于GAN的图像生成

12.1 GAN模型简介

12.2 使用GAN生成手写数字

12.3 使用DCGAN生成人脸图像

12.4 实现条件GAN模型

12.5 小结

12.6 课后习题

CHAPTER 13 第13章 高级GAN图像处理

13.1 使用Pix2Pix GAN模型

13.2 使用CycleGAN模型

13.3 在定制图像上使用StyleGAN模型

13.4 超分辨率GAN

13.4.1 架构

13.4.2 编码SRGAN

13.5 小结

13.6 课后习题

第四部分 计算机视觉与其他技术

CHAPTER 14 第14章 使用小样本进行模型训练

14.1 实现零样本学习

14.2 实现小样本学习

14.2.1 构建Siamese网络

14.2.2 原型网络的工作细节

14.2.3 关系网络的工作细节

14.3 小结

14.4 课后习题

CHAPTER 15 第15章 计算机视觉与NLP

15.1 RNN模型简介

15.1.1 RNN架构的应用场景

15.1.2 探索RNN的结构

15.1.3 为什么需要存储记忆

15.2 LSTM架构简介

15.2.1 LSTM的工作细节

15.2.2 使用PyTorch实现LSTM

15.3 生成图像标题

15.4 转录手写图像

15.4.1 CTC损失的工作细节

15.4.2 计算CTC损失值

15.4.3 手写转录的代码实现

15.5 使用DETR进行目标检测

15.5.1 transformer的工作细节

15.5.2 DETR的工作细节

15.5.3 目标检测的代码实现

15.6 小结

15.7 课后习题

CHAPTER 16 第16章 计算机视觉与强化学习

16.1 强化学习基础知识

16.1.1 计算状态价值

16.1.2 计算状态-行为价值

16.2 实现Q学习

16.2.1 Q值

16.2.2 了解Gym环境

16.2.3 构建Q表

16.2.4 探索-利用机制

16.3 实现深度Q学习

16.4 目标固定的深度Q学习

16.5 实现自动驾驶智能体

16.5.1 安装CARLA环境

16.5.2 训练自动驾驶智能体

16.6 小结

16.7 课后习题

CHAPTER 17 第17章 模型的实际应用部署

17.1 API基础知识

17.2 在本地服务器上创建API并进行预测

17.2.1 安装API模块和依赖项

17.2.2 图像分类器的支持组件

17.3 将API部署到云端

17.3.1 Docker镜像与Docker容器

17.3.2 创建Docker容器

17.3.3 在云端发布并运行Docker容器

17.4 小结

CHAPTER 18 第18章 使用OpenCV实用程序进行图像分析

18.1 图像中的单词检测

18.2 图像中的车道线检测

18.3 基于颜色的目标检测

18.4 构建全景图像

18.5 图像中的车牌检测

18.6 小结

APPENDIX 附录 课后习题答案

译者简介