深度学习与计算机视觉：算法原理、框架应用与代码实现

arui1999

深度学习与计算机视觉：算法原理、框架应用与代码实现 [复制链接]

 

本书全面介绍了深度学习及计算机视觉中基础的知识，并结合常见的应用场景和大量实例，带领读者进入丰富多彩的计算机视觉领域。作为一本“原理+实践”教程，本书在讲解原理的基础上，通过有趣的实例带领读者一步步亲自动手，不断提高动手能力，而不是枯燥和深奥原理的堆砌。

 

作者：叶韵 

 

https://download.eeworld.com.cn/detail/%E6%8A%9B%E7%A0%96%E5%BC%95%E7%8E%89/629416

第1篇　基础知识 
第1章　引言
1.1　人工智能的新焦点——深度学习
1.2　给计算机一双眼睛——计算机视觉
1.3　基于深度学习的计算机视觉
第2章　深度学习和计算机视觉中的基础数学知识
2.1　线性变换和非线性变换
2.2　概率论及相关基础知识
2.3　维度的诅咒
2.4　卷积
2.5　数学优化基础
第3章　神经网络和机器学习基础
3.1　感知机
3.2　神经网络基础
3.3　后向传播算法
3.4　随机梯度下降和批量梯度下降
3.5　数据、训练策略和规范化
3.6　监督学习、非监督学习、半监督学习和强化学习
第4章　深度卷积神经网络
4.1　卷积神经网络
4.2　LeNet——第一个卷积神经网络
4.3　新起点——AlexNet
4.4　更深的网络——GoogLeNet
4.5　更深的网络——ResNet

 

第2篇　实例精讲
第5章　Python基础
5.1　Python简介
5.2　Python基本语法
5.3　Python的科学计算包——NumPy
5.4　Python的可视化包——matplotlib
第6章　OpenCV基础
6.1　OpenCV简介
6.2　Python-OpenCV基础
6.3　用OpenCV实现数据增加小工具
6.4　用OpenCV实现物体标注小工具
第7章　Hello World！
7.1　用MXNet实现一个神经网络
7.2　用Caffe实现一个神经网络
第8章　最简单的图片分类——手写数字识别
8.1　准备数据——MNIST
8.2　基于Caffe的实现
8.3　基于MXNet的实现
第9章　利用Caffe做回归
9.1　回归的原理
9.2　预测随机噪声的频率
第10章　迁移学习和模型微调
10.1　吃货必备——通过Python采集美食图片
10.2　美食分类模型
第11章　目标检测
11.1　目标检测算法简介
11.2　基于PASCAL VOC数据集训练SSD模型
第12章　度量学习
12.1　距离和度量学习
12.2　用MNIST训练Siamese网络
第13章　图像风格迁移
13.1　风格迁移算法简介
13.2　MXNet中的图像风格迁移例子