●第1章計算機視覺及目標檢測1
1.1計算機視覺原理1
1.1.1人類視覺與計算機視覺比較1
1.1.2計算機視覺應用展現2
1.2目標檢測概述9
1.2.1計算機視覺三大主要任務9
1.2.2目標檢測的應用11
1.2.3目標檢測面臨的挑戰12
1.2.4目標檢測方法13
第2章計算機視覺數學、編程基礎15
2.1向量、矩陣和卷積15
2.1.1向量15
2.1.2矩陣16
2.1.3卷積16
2.2函數極值理論與非極大值抑制18
2.2.1函數極值理論19
2.2.2非極大值抑制21
2.3跨平臺計算機視覺和機器學習軟件庫OpenCV基礎24
2.3.1OpenCV的歷史起源24
2.3.2安裝OpenCV24
2.3.3OpenCV圖像和視頻的讀/寫24
2.3.4OpenCV基本操作28
2.3.5OpenCV顏色空間轉換29
2.3.6OpenCV幾何變換31
2.3.7OpenCV圖像簡單閾值處理34
2.3.8OpenCV形態學轉換40
2.3.9OpenCV圖像梯度43
2.4PyTorch基礎46
2.4.1PyTorch簡介46
2.4.2PyTorch安裝47
2.4.3張量47
2.4.4基本代碼操作49
2.4.5PIL圖像格式轉換51
2.4.6PyTorch自動求導機制52
2.4.7PyTorch的神經網絡nn包55
第3章OpenCV目標檢測實戰60
3.1Haar特征與積分圖像構建算法60
3.1.1Haar特征60
3.1.2積分圖像構建算法65
3.2AdaBoost應用於Haar人臉特征分類66
3.3AdaBoost級聯應用於Haar特征人臉檢測70
3.4利用OpenCV進行基於Haar特征的人臉檢測實戰73
第4章深度學習引入及圖像分類實戰75
4.1卷積神經網絡的重要概念75
4.2卷積神經網絡訓練技巧及經典架構79
4.3設計卷積神經網絡進行圖像分類82
4.4選擇卷積神經網絡損失函數及優化器85
4.5改進卷積神經網絡以提高圖像分類準確率88
第5章目標檢測的兩階段深度學習方法90
5.1R-CNN目標檢測思想90
5.1.1目標檢測數據集91
5.1.2從滑動窗口到選擇搜索91
5.1.3R-CNN網絡架構及訓練過程93
5.2目標檢測指標――二分類器97
5.3R-CNN目標檢測模型評估結果100
5.3.1R-CNN用於細粒度類別檢測108
5.3.2R-CNN用於目標檢測與分割109
5.4R-CNN的缺陷和FastR-CNN的改進110
5.4.1R-CNN的缺陷110
5.4.2感興趣區域池化111
5.4.3FastR-CNN創新損失函數設計113
5.5FastR-CNN網絡架構和模型評估115
5.5.1FastR-CNN模型工作流程115
5.5.2FastR-CNN網絡架構116
5.5.3RoI池化反向傳播方法116
5.5.4FastR-CNN結果評估117
5.6FastR-CNN的創新118
5.6.1FasterR-CNN的創新思想118
5.6.2替代選擇搜索的錨框119
5.6.3區域建議網絡120
5.7深入剖析FasterR-CNN中邊界框回歸123
5.7.1為什麼使用邊界框回歸124
5.7.2邊界框回歸的數學支撐125
5.8FasterR-CNN的全景架構和損失函數127
5.9FasterR-CNN的訓練步驟及測試步驟129
5.9.1FasterR-CNN的訓練步驟129
5.9.2FasterR-CNN的測試步驟131
5.10詳細講解FasterR-CNN關鍵部分RoI代碼132
第6章目標檢測的一階段學習方法134
6.1YOLO目標檢測思想135
6.1.1改進思想136
6.1.2137
6.1.3YOLO創新細節138
6.2YOLO的網絡結構、網絡與損失函數140
6.2.1YOLO的網絡結構140
6.2.2YOLO的網絡訓練與損失函數142
6.3YOLO模型評估、優劣勢分析144
6.3.1YOLO數據集145
6.3.2YOLO模型評估145
6.3.3YOLO模型優缺點146
6.4YOLOv2實現更好、更快、更強149
6.5YOLOv2改進YOLOv1――更好149
6.5.1批歸一化150
6.5.2高分辨率分類器150
6.5.3預設錨框並采用全卷積150
6.5.4框聚類151
6.5.5約束邊框位置153
6.5.6細粒度特征154
6.5.7多尺度訓練154
6.5.8實驗對比156
6.6YOLOv2使用Darknet-19――更快158
6.6.1Darknet-19158
6.6.2三階段訓練159
6.6.3YOLOv2的損失函數161
6.7使用WordTree的YOLO9000――更強164
6.7.1組合兩種數據集的必要性164
6.7.2構建WordTree進行分層分類165
6.7.3在組合數據集上訓練YOLO9000167
第7章YOLOv3創新思想及整體架構170
7.1YOLOv3的創新改進170
7.2YOLOv3的關鍵創新點171
7.2.1106層的Darknet-53主干網絡架構171
7.2.2三級檢測176
7.2.3更擅長檢測較小的物體177
7.2.4更多的錨框177
7.2.5損失函數178
7.3YOLOv3的三級檢測輸出過程179
7.4YOLOv3的非極大值抑制183
7.5YOLOv3的檢測效果184
7.6SSD多尺度特征圖目標檢測思想185
7.7SSD網絡架構191
7.7.1SSD網絡基礎架構191
7.7.2擴張卷積192
7.7.3SSD與YOLOv3193
7.7.4SSD網絡檢測物體方法193
7.8SSD網絡損失函數194
7.8.1默認框匹配策略194
7.8.2損失函數195
7.9SSD較YOLOv3的劣勢196
第8章構建Darknet-53網絡實踐198
8.1Darknet-53網絡工程結構和配置198
8.2實踐代碼200
8.3構建Darknet-53網絡前向傳遞過程203
8.3.1構建Darknet-53的模塊203
8.3.2Darknet-53的模塊詳解205
8.4YOLOv3實現檢測層特征圖到邊界的預測值轉變209
8.4.1參數講解209
8.4.2實現步驟和代碼210
8.5YOLOv3演示邊框生成過程212
8.6YOLOv3處理低閾值邊框214
8.6.1思路講解215
8.6.2代碼實踐215
8.7YOLOv3非極大值抑制過程218
8.7.1延續上一節代碼講解NMS過程219
8.7.2NMS後的整理220
8.8YOLOv3演示NMS過程找到很優框220
8.8.1運行檢測代碼演示220
8.8.2運行結果分析221
8.9YOLOv3實現工業工具檢測224
8.9.1YOLOv3工業實踐需求分析及目標分析225
8.9.2數據采集標注與數據預處理部分226
8.9.3模型訓練部分230
8.9.4模型優化部分239
第9章YOLOv4目標檢測方法240
9.1YOLOv4目標檢測創新路徑及技巧體繫240
9.1.1速度與精度雙提升240
9.1.2YOLOv4技巧彙總240
9.2YOLOv4大型網絡架構及其主要創新改進246
9.2.1空間金字塔結構246
9.2.2路徑增強網絡247
9.2.3使用YOLOv4的網絡詳情248
9.2.4CSPDarknet-53網絡254
9.2.5YOLOv4網絡全景關繫255
9.3YOLOv4中的激活函數256
9.3.1各激活函數的比較256
9.3.2keras實現三種激活函數性能比較260
9.4YOLOv4中的損失函數C-IoU263
9.4.1L1和L2損失的缺陷264
9.4.2IoU和IoU損失264
9.4.3G-IoU、D-IoU和C-IoU265
9.5YOLOv4中的新型批標準化268
9.5.1各種批標準化268
9.5.2跨迭代標準化270
第10章EfficientDet目標檢測方法272
10.1復合縮放272
10.2雙向特征金字塔網絡274
10.3EfficientDet體繫結構276
10.3.1輸入圖像分辨率縮放276
10.3.2BiFPN縮放277
10.3.3框/類預測網絡縮放277
10.3.4主干網277
10.4EfficientDet推理效果和不足之處279
10.4.1EfficientDet推理效果279
10.4.2EfficientDet不足之處282
參考文獻284

本書遵循循序漸進、深入淺出的理念，引領讀者夯實相關基礎知識，掌握傳統目標檢測方法，再逐步過渡到深度學習的基本概念及分類用法，進而深入講解目標檢測的兩階段深度學習方法、一階段學習方法，即從以R-CNN為代表的兩階段深度學習方法、以YOLO繫列為代表的一階段學習方法等，層層揭開深度學習用於目標檢測的“神秘面紗”，探究其中的奧秘。
本書適合目標檢測領域的工程師、研究員閱讀，也可作為深度學習相關專業本科生、研究生的重要參考書，還可作為互聯網行業IT技術人員轉型學習人工智能的參考用書。

翟中華,孫雲龍,陸澍旸 編