计算机 类型
可以朗读 语音朗读
206千字 字数
2021-11-01 发行日期
展开全部

主编推荐语

本书理论与实践相结合，真正一站式搞定理论学习、算法开发到模型部署上线。

内容简介

全书内容共分为四个部分。第一部分包括第1、2章，主要讲解深度学习和计算机视觉基础，如计算机视觉领域的经典网络和常见的目标检测算法；第二部分包括第3～6章，主要讲解图像处理知识，结合应用案例，对知识点进行分析说明；第三部分包括第7～11章，主要讲解计算机视觉中的实战项目，对实现细节做了追本溯源的讲解；第四部分包括第12～13章，主要讲解模型的落地部署，该部分的讲解基于TensorFlow Lite框架，该框架受众广、热度高，且在各种平台都有对应的支持与优化加速方案，方便读者使用。

本书中的上百个知识点与50多个案例都是作者工程应用中的经验总结，适合计算机视觉的初学者、计算机视觉算法开发人员、对深度学习有兴趣的用户或者亟须工程落地使用的用户，也适合作为高校相关专业的学生教材使用。

目录

  • 版权信息
  • 内容简介
  • 序
  • 前言
  • 第1章 深度学习基础
  • 1.1 神经网络
  • 1.1.1 感知机
  • 1.1.2 神经网络原理
  • 1.2 卷积神经网络
  • 1.2.1 CNN基本操作
  • 1.2.2 CNN原理
  • 1.3 循环神经网络
  • 1.3.1 RNN
  • 1.3.2 LSTM与GRU
  • 1.4 经典网络
  • 1.4.1 AlexNet
  • 1.4.2 VGG
  • 1.4.3 GoogLeNet
  • 1.4.4 ResNet
  • 1.4.5 MobileNet
  • 1.5 进阶必备：如何学习深度学习并“落地”求职
  • 1.5.1 深度学习如何快速入门
  • 1.5.2 深度学习行业求职技巧
  • 第2章 计算机视觉基础
  • 2.1 目标检测Two-stage算法
  • 2.1.1 R-CNN算法
  • 2.1.2 Fast R-CNN算法
  • 2.1.3 Faster R-CNN算法
  • 2.2 目标检测One-stage算法
  • 2.2.1 YOLO系列算法
  • 2.2.2 SSD算法
  • 2.3 图像分割算法
  • 2.3.1 FCN算法
  • 2.3.2 U-Net算法
  • 2.3.3 DeepLab系列算法
  • 2.3.4 Mask R-CNN算法
  • 2.4 进阶必备：计算机视觉方向知多少
  • 第3章 基础图像处理
  • 3.1 线性滤波
  • 3.1.1 案例1：使用方框滤波
  • 3.1.2 案例2：使用均值滤波
  • 3.1.3 案例3：使用高斯滤波
  • 3.2 非线性滤波
  • 3.2.1 案例4：使用中值滤波
  • 3.2.2 案例5：使用双边滤波
  • 3.3 OpenCV形态学运算
  • 3.3.1 案例6：进行膨胀操作
  • 3.3.2 案例7：进行腐蚀操作
  • 3.3.3 案例8：使用形态学运算
  • 3.4 案例9：使用漫水填充
  • 3.5 图像金字塔
  • 3.5.1 案例10：使用高斯金字塔
  • 3.5.2 案例11：使用拉普拉斯金字塔
  • 3.6 阈值化
  • 3.6.1 案例12：使用基本阈值
  • 3.6.2 案例13：使用自适应阈值
  • 3.7 进阶必备：选择一款合适的图像处理工具
  • 3.7.1 OpenCV
  • 3.7.2 MATLAB
  • 第4章 图像变换
  • 4.1 边缘检测
  • 4.1.1 案例14：Sobel算法
  • 4.1.2 案例15：Scharr算法
  • 4.1.3 案例16：Laplacian算法
  • 4.1.4 案例17：Canny算法
  • 4.2 案例18：绘制轮廓
  • 4.3 霍夫变换
  • 4.3.1 案例19：霍夫线变换
  • 4.3.2 案例20：霍夫圆变换
  • 4.4 案例21：重映射
  • 4.5 案例22：仿射变换
  • 4.6 案例23：透视变换
  • 4.7 直方图
  • 4.7.1 案例24：直方图的计算与绘制
  • 4.7.2 案例25：直方图均衡化
  • 4.8 进阶必备：图像变换应用之文本图像矫正
  • 4.8.1 图像变换知识总结
  • 4.8.2 案例26：文本图像矫正
  • 第5章 角点检测
  • 5.1 案例27：Harris角点检测
  • 5.2 案例28：Shi-Tomasi角点检测
  • 5.3 案例29：亚像素级角点检测
  • 5.4 进阶必备：角点检测知识总结
  • 第6章 特征点检测与匹配
  • 6.1 特征点检测
  • 6.1.1 opencv-contrib环境安装
  • 6.1.2 案例30：SIFT特征点检测
  • 6.1.3 案例31：SURF特征点检测
  • 6.2 特征匹配
  • 6.2.1 案例32：BruteForce匹配
  • 6.2.2 案例33：FLANN匹配
  • 6.3 案例34：ORB特征提取
  • 6.4 进阶必备：利用特征点拼接图像
  • 6.4.1 特征点检测算法汇总
  • 6.4.2 案例35：基于特征点检测与匹配的图像拼接
  • 第7章 手写数字识别
  • 7.1 Keras的应用
  • 7.1.1 Keras模型
  • 7.1.2 Keras层
  • 7.1.3 模型编译
  • 7.1.4 模型训练
  • 7.2 LeNet算法
  • 7.3 案例36：使用Keras实现手写数字识别
  • 7.3.1 模型训练
  • 7.3.2 手写数字识别模型推理
  • 7.4 进阶必备：算法模型开发流程
  • 7.4.1 数据准备
  • 7.4.2 网络搭建
  • 7.4.3 模型训练
  • 第8章 CIFAR-10图像分类
  • 8.1 图像分类数据集
  • 8.1.1 CIFAR-10数据集和CIFAR-100数据集
  • 8.1.2 ImageNet数据集
  • 8.1.3 PASCAL VOC数据集
  • 8.2 案例37：CIFAR-10图像分类
  • 8.2.1 模型训练过程
  • 8.2.2 模型推理
  • 8.3 进阶必备：COCO数据集与使用HOG+SVM方法实现图像分类
  • 8.3.1 COCO数据集
  • 8.3.2 案例38：使用HOG+SVM方法实现图像分类
  • 第9章 验证码识别
  • 9.1 TensorFlow应用
  • 9.1.1 案例39：TensorFlow的基本使用
  • 9.1.2 TensorFlow的常用模块
  • 9.2 案例40：验证码识别
  • 9.2.1 生成验证码图片
  • 9.2.2 基于TensorFlow的验证码识别
  • 9.3 进阶必备：算法模型开发技巧
  • 9.3.1 数据预处理技巧
  • 9.3.2 网络搭建技巧
  • 9.3.3 模型训练技巧
  • 第10章 文本检测
  • 10.1 文本检测算法
  • 10.1.1 CTPN算法
  • 10.1.2 EAST算法
  • 10.2 案例41：基于EAST算法的文本检测
  • 10.2.1 数据预处理
  • 10.2.2 网络搭建
  • 10.2.3 模型训练
  • 10.2.4 文本检测验证
  • 10.3 进阶必备：在不同场景下文本检测的应对方式
  • 10.3.1 复杂场景文本检测
  • 10.3.2 案例42：使用形态学运算实现简单场景文本检测
  • 10.3.3 案例43：使用MSER+NMS实现简单场景文本检测
  • 第11章 文本识别
  • 11.1 文本识别算法
  • 11.1.1 CRNN算法
  • 11.1.2 Attention OCR算法
  • 11.2 案例44：基于CRNN算法的文本识别
  • 11.2.1 数据预处理
  • 11.2.2 网络搭建
  • 11.2.3 模型训练
  • 11.2.4 文本识别验证
  • 11.3 进阶必备：单字OCR
  • 11.3.1 OCR探究
  • 11.3.2 案例45：文本图片字符切割
  • 第12章 TensorFlow Lite
  • 12.1 TensorFlow Lite介绍
  • 12.1.1 TensorFlow Lite基础
  • 12.1.2 TensorFlow Lite源码分析
  • 12.2 模型转换
  • 12.2.1 FlatBuffers文件格式
  • 12.2.2 案例46：其他格式转换为.tflite模型
  • 12.3 模型量化
  • 12.3.1 案例47：量化感知训练
  • 12.3.2 案例48：训练后量化
  • 12.4 进阶必备：模型转换与模型部署优化答疑
  • 12.4.1 模型转换问题
  • 12.4.2 模型部署优化
  • 第13章 基于TensorFlow Lite的AI功能部署实战
  • 13.1 部署流程
  • 13.2 案例49：移动端部署
  • 13.2.1 搭建开发环境
  • 13.2.2 编译运行项目
  • 13.2.3 调用过程解析
  • 13.3 PC端部署
  • 13.3.1 案例50：Windows平台部署
  • 13.3.2 案例51：Linux平台部署
  • 13.3.3 案例52：ARM平台部署
  • 13.3.4 案例53：MIPS平台部署
  • 13.4 进阶必备：推理框架拓展与OpenCV编译部署
  • 13.4.1 其他深度学习推理框架
  • 13.4.2 OpenCV编译
  • 其 他
展开全部

评分及书评

评分不足
1个评分
  • 用户头像
    给这本书评了
    5.0

    本书中的上百个知识点与近 60 个案例都是作者工程应用中的经验总结，每章末尾均有 “进阶必备”，给读者提供更多的拓展知识。本书适合计算机视觉的初学者、计算机视觉算法开发人员、对深度学习有兴趣的用户或者亟须工程落地使用的用户阅读，也适合作为高校相关专业的教材。

      转发
      评论

    出版方

    电子工业出版社

    电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。