深度學習計算機視覺實戰(zhàn)

第1章 深度學習基礎 1
1．1 神經(jīng)網(wǎng)絡 1
1．1．1 感知機 1
1．1．2 神經(jīng)網(wǎng)絡原理 2
1．2 卷積神經(jīng)網(wǎng)絡 3
1．2．1 CNN基本操作 3
1．2．2 CNN原理 6
1．3 循環(huán)神經(jīng)網(wǎng)絡 7
1．3．1 RNN 7
1．3．2 LSTM與GRU 8
1．4 經(jīng)典網(wǎng)絡 9
1．4．1 AlexNet 9
1．4．2 VGG 10
1．4．3 GoogLeNet 11
1．4．4 ResNet 12
1．4．5 MobileNet 13
1．5 進階必備：如何學習深度學習
并“落地”求職 16
1．5．1 深度學習如何快速入門 16
1．5．2 深度學習行業(yè)求職技巧 17
第2章 計算機視覺基礎 18
2．1 目標檢測Two-stage算法 18
2．1．1 R-CNN算法 18
2．1．2 Fast R-CNN算法 20
2．1．3 Faster R-CNN算法 21
2．2 目標檢測One-stage算法 23
2．2．1 YOLO系列算法 23
2．2．2 SSD算法 29
2．3 圖像分割算法 31
2．3．1 FCN算法 31
2．3．2 U-Net算法 33
2．3．3 DeepLab系列算法 34
2．3．4 Mask R-CNN算法 37
2．4 進階必備：計算機視覺方向知多少 38
第3章 基礎圖像處理 40
3．1 線性濾波 40
3．1．1 案例1：使用方框濾波 41
3．1．2 案例2：使用均值濾波 46
3．1．3 案例3：使用高斯濾波 48
3．2 非線性濾波 50
3．2．1 案例4：使用中值濾波例 50
3．2．2 案例5：使用雙邊濾波 52
3．3　OpenCV形態(tài)學運算 54
3．3．1 案例6：進行膨脹操作 55
3．3．2 案例7：進行腐蝕操作 57
3．3．3 案例8：使用形態(tài)學運算 58
3．4　案例9：使用漫水填充 63
3．5　圖像金字塔 67
3．5．1 案例10：使用高斯金字塔 67
3．5．2 案例11：使用拉普拉斯
金字塔 70
3．6　閾值化 73
3．6．1 案例12：使用基本閾值 74
3．6．2 案例13：使用自適應閾值 78
3．7　進階必備：選擇一款合適的圖像處理工具 80
3．7．1 OpenCV 80
3．7．2 Matlab 81
第4章 圖像變換 83
4．1　邊緣檢測 83
4．1．1 案例14：Sobel算法 83
4．1．2 案例15：Scharr算法 87
4．1．3 案例16：Laplacian算法 90
4．1．4 案例17：Canny算法 91
4．2　案例18：繪制輪廓 94
4．3　霍夫變換 97
4．3．1 案例19：霍夫線變換 97
4．3．2 案例20：霍夫圓變換 101
4．4　案例21：重映射 103
4．5　案例22：仿射變換 106
4．6　案例23：透視變換 109
4．7　直方圖 111
4．7．1 案例24：直方圖的計算
與繪制 111
4．7．2 案例25：直方圖均衡化 113
4．8　進階必備：圖像變換應用之文本
圖像矯正 114
4．8．1 圖像變換知識總結 114
4．8．2 案例26：文本圖像矯正 115
第5章 角點檢測 117
5．1 案例27：Harris角點檢測 117
5．2　案例28：Shi-Tomasi角點檢測 119
5．3　案例29：亞像素級角點檢測 122
5．4　進階必備：角點檢測知識總結 125
第6章 特征點檢測與匹配 127
6．1　特征點檢測 127
6．1．1 opencv-contrib環(huán)境安裝 127
6．1．2 案例30：SIFT特征點檢測 130
6．1．3 案例31：SURF特征點檢測 137
6．2　特征匹配 139
6．2．1 案例32：BruteForce匹配 139
6．2．2 案例33：FLANN匹配 146
6．3　案例34：ORB特征提取 148
6．4　進階必備：利用特征點拼接圖像 151
6．4．1 特征點檢測算法匯總 151
6．4．2 案例35：基于特征點檢測與
匹配的圖像拼接 151
第7章 手寫數(shù)字識別 155
7．1　Keras的應用 155
7．1．1 Keras模型 155
7．1．2 Keras層 156
7．1．3 模型編譯 157
7．1．4 模型訓練 158
7．2　LeNet算法 159
7．3　案例36：使用Keras實現(xiàn)手寫數(shù)字識別 160
7．3．1 模型訓練 160
7．3．2 手寫數(shù)字識別模型推理 164
7．4　進階必備：算法模型開發(fā)流程 167
7．4．1 數(shù)據(jù)準備 167
7．4．2 網(wǎng)絡搭建 169
7．4．3 模型訓練 170
第8章 CIFAR-10圖像分類 171
8．1　圖像分類數(shù)據(jù)集 171
8．1．1 CIFAR-10數(shù)據(jù)集和
CIFAR-100數(shù)據(jù)集 171
8．1．2 ImageNet數(shù)據(jù)集 172
8．1．3 PASCAL VOC數(shù)據(jù)集 173
8．2　案例37：CIFAR-10圖像分類 173
8．2．1 模型訓練過程 174
8．2．2 模型推理 179
8．3　進階必備：COCO數(shù)據(jù)集與使用
HOGTSVM方法實現(xiàn)圖像分類 180
8．3．1 COCO數(shù)據(jù)集 180
8．3．2 案例38：使用HOG+SVM
方法實現(xiàn)圖像分類 180
第9章 驗證碼識別 184
9．1　TensorFlow應用 184
9．1．1 案例39：TensorFlow的
基本使用 184
9．1．2 TensorFlow的常用模塊 186
9．2　案例40：驗證碼識別 188
9．2．1 生成驗證碼圖片 188
9．2．2 基于TensorFlow的
驗證碼識別 189
9．3　進階必備：算法模型開發(fā)技巧 194
9．3．1 數(shù)據(jù)預處理技巧 194
9．3．2 網(wǎng)絡搭建技巧 195
9．3．3 模型訓練技巧 196
第10章 文本檢測實戰(zhàn) 197
10．1　文本檢測算法 197
10．1．1 CTPN算法 198
10．1．2 EAST算法 200
10．2　案例41：基于EAST算法的文本檢測 202
10．2．1 數(shù)據(jù)預處理 202
10．2．2 網(wǎng)絡搭建 205
10．2．3 模型訓練 212
10．2．4 文本檢測驗證 217
10．3　進階必備：在不同場景下文本檢測的
應對方式 218
10．3．1 復雜場景文本檢測 219
10．3．2 案例42：使用形態(tài)學運算
實現(xiàn)簡單場景文本檢測 220
10．3．3 案例43：使用MSER+NMS
實現(xiàn)簡單場景文本檢測 223
第11章 文本識別實戰(zhàn) 226
11．1　文本識別算法 226
11．1．1 CRNN算法 226
11．1．2 Attention OCR算法 229
11．2　案例44：基于C-RNN算法的
文本識別 231
11．2．1 數(shù)據(jù)預處理 231
11．2．2 網(wǎng)絡搭建 232
11．2．3 模型訓練 236
11．2．4 文本識別驗證 237
11．3　進階必備：單字OCR 238
11．3．1 OCR探究 238
11．3．2 案例45：文本圖片
字符切割 238
第12章 TensorFlow Lite 244
12．1　TensorFlow Lite介紹 244
12．1．1 TensorFlow Lite基礎 245
12．1．2 TensorFlow Lite源碼分析 246
12．2　模型轉換 248
12．2．1 FlatBuffers文件格式 248
12．2．2 案例46：其他格式
轉換為．tflite模型 250
12．3　模型量化 252
12．3．1 案例47：量化感知訓練 252
12．3．2 案例48：訓練后量化 255
12．4　進階必備：模型轉換與
模型部署優(yōu)化答疑 257
12．4．1 模型轉換問題 257
12．4．2 模型部署優(yōu)化 258
第13章 基于TensorFlow Lite的AI
功能部署實戰(zhàn) 260
13．1　部署流程 260






13．2　案例49：移動端部署 261
13．2．1 搭建開發(fā)環(huán)境 262
13．2．2 編譯運行項目 262
13．2．3 調用過程解析 264
13．3　PC端部署 266
13．3．1 案例50：Windows端部署 266
13．3．2 案例51：Linux端部署 278
13．3．3 案例52：ARM平臺部署 282
13．3．4 案例53：MIPS平臺部署 285
13．4　進階必備：推理框架拓展與
OpenCV編譯部署 286
13．4．1 其他深度學習推理框架 286
13．4．2 OpenCV編譯 286