"涵蓋多種典型神經網絡模型，構建計算機視覺繫統解決方案詳解計算機視覺應用案例，從算法到編程，邊學原理邊實踐提供完整的源碼及數據集資料"

●第1章 計算機視覺和深度學習簡介
1.1 使用OpenCV處理圖像
1.1.1 使用OpenCV檢測顏色
1.1.2 使用OpenCV檢測形狀
1.1.3 使用OpenCV檢測人臉
1.2 深度學習的基礎知識
1.2.1 神經網絡背後的動力
1.2.2 神經網絡中的層
1.2.3
1.2.4 超參數
1.2.5 ANN的連接與權重
1.2.6 偏置項
1.2.7 激活函數
1.2.8 學習率
1.2.9 反向傳播
1.2.10 過度擬合
1.2.11 梯度下降算法
1.2.12 損失函數
1.3 深度學習的工作原理
1.3.1 深度學習過程
1.3.2 流行的深度學習程序庫
1.4 小結
習題
拓展閱讀
第2章 面向計算機視覺的深度學習
2.1 使用TensorFlow和Keras進行深度學習
2.2 張量
2.3 卷積神經網絡
2.3.1 卷積
2.3.2 池化層
2.3.3 全連接層
2.4 開發基於CNN的深度學習解決方案
2.5 小結
習題
拓展閱讀
第3章 使用LeNet進行圖像分類
3.1 深度學習的網絡架構
3.2 LeNet架構
3.2.1 LeNet-1架構
3.2.2 LeNet-4架構
3.2.3 LeNet-5架構
3.2.4 增強LeNet-4架構
3.3 使用LeNet創建圖像分類模型
3.3.1 使用LeNet進行MNIST分類
3.3.2 使用LeNet進行德國交通標志分類
3.4 小結
習題
拓展閱讀
第4章 VGG和 AlexNet 網絡
4.1 AlexNet和VGG神經網絡模型
4.1.1 AlexNet模型架構
4.1.2 VGG模型架構
4.2 使用AlexNet和VGG開發應用案例
4.2.1 CIFAR數據集
4.2.2 使用AlexNet模型處理CIFAR-10數據集
4.2.3 使用VGG模型處理CIFAR-10數據集
4.3 AlexNet模型和VGG模型的比較
4.4 使用CIFAR-100數據集
4.5 小結
習題
拓展閱讀
第5章 使用深度學習進行目標檢測
5.1 目標檢測
5.1.1 目標分類、目標定位與目標檢測
5.1.2 目標檢測的應用案例
5.2 目標檢測方法
5.3 目標檢測的深度學習框架
5.3.1 目標檢測的滑窗法
5.3.2 邊界框方法
5.3.3 重疊度指標
5.3.4 非極大性抑制
5.3.5 錨盒
5.4 深度學習網絡架構
5.4.1 基於區域的CNN
5.4.2 Fast R-CNN
5.4.3 Faster R-CNN
5.4.4 YOLO算法
5.4.5 單階段多框檢測器
5.5 遷移學習
5.6 實時的目標檢測Python實現
5.7 小結
習題
拓展閱讀
第6章 人臉識別與手勢識別
6.1 人臉識別
6.1.1 人臉識別的應用
6.1.2 人臉識別的過程
6.2 人臉識別的深度學習模式
6.2.1 Facebook的DeepFace解決方案
6.2.2 FaceNet的人臉識別
6.3 FaceNet的Python實現
6.4 手勢識別Python解決方案
6.5 小結
習題
拓展閱讀
第7章 基於深度學習的視頻分析
7.1 視頻處理
7.2 視頻分析的應用
7.3 梯度消失和梯度爆炸
7.3.1 梯度消失
7.3.2 梯度爆炸
7.4 ResNet架構
7.5 Inception網絡
7.5.1 1×1卷積
7.5.2 GoogLeNet架構
7.5.3 Inception v2中的改進
7.5.4 Inception v3模型
7.6 視頻分析
7.7 使用Inception v3和ResNet創建Python解決方案
7.8 小結
習題
拓展閱讀
第8章 端到端的網絡模型開發
8.1 深度學習項目需求
8.2 深度學習項目的開發過程
8.2.1 業務問題的定義
8.2.2 源數據或數據收集階段
8.2.3 數據存儲與管理
8.2.4 數據準備和擴充
8.2.5 圖像樣本增強
8.3 深度學習的建模過程
8.3.1 遷移學習
8.3.2 常見錯誤/挑戰和模型性能提高
8.3.3 模型的部署與維護
8.4 小結
習題
拓展閱讀
附錄A
A1 CNN中的主要激活函數與網絡層
A2 Google Colab

本書從初學者的視角出發，通過一繫列具體的應用案例，使用通俗易懂的語言比較繫統地介紹了基於深度學習的計算機視覺解決方案開發技術，包括基於深度學習的圖像分類、目標檢測、人臉識別、行為分析和視頻分析等計算機視覺應用開發技術，以循序漸進的方式詳細討論了VGG16、AlexNet、R-CNN、FastR-CNN、Faster R-CNN、YOLO、SSD、DeepFace和FaceNet等多種典型神經網絡模型的基本結構和訓練方法，結合具體應用案例生動形像地介紹了圖像樣本數據集的獲取與處理、深度學習模型的設計與優化、應用繫統的開發與部署的基本過程，逐步消除使用深度學習技術開發計算機視覺應用的認知盲點，廣大讀者通過自己的努力很容易掌握全書主要內容，建立強大的應用技術基礎。