●譯者序
前言
致謝
作者簡介
章簡介
1.1什麼是計算機視覺
1.1.1應用案例
1.1.2圖像處理與計算機視覺
1.2什麼是機器學習
1.2.1為什麼需要深度學習
1.3本書概覽
第2章特征和分類器
2.1特征和分類器的重要性
2.1.1特征
2.1.2分類器
2.2傳統特征描述符
2.2.1方向梯度直方圖
2.2.2尺度不變特征變換
2.2.3加速健壯特征
2.2.4傳統的手工工程特征的局限性
2.3機器學習分類器
2.3.1支持向量機
2.3.2隨機決策森林
2.4總結
第3章神經網絡基礎
3.1引言
3.2多層感知機
3.2.1基礎架構
3.2.2參數學習
3.3循環神經網絡
3.3.1基礎架構
3.3.2參數學習
3.4與生物視覺的關聯
3.4.1生模型
3.4.的計算模型
3.4.3人與生
第4章卷積神經網絡
4.1引言
4.2神經網絡層
4.2.1預處理
4.2.2卷積層
4.2.3池化層
4.2.4非線性
4.2.5全連接層
4.2.6轉置卷積層
4.2.7感興趣區域的池化層
4.2.8空間金字塔池化層
4.2.9局部特征聚合描述符層
4.2.10空間變換層
4.3CNN損失函數
4.3.1交叉熵損失函數
4.3.2SVM鉸鏈損失函數
4.3.3平方鉸鏈損失函數
4.3.4歐幾裡得損失函數
4.3.5.1誤差
4.3.6對比損失函數
4.3.7期望損失函數
4.3.8結構相似性度量
第5章CNN學習
5.1權重初始化
5.1.1高斯隨機初始化
5.1.2均勻隨機初始化
5.1.3正交隨機初始化
5.1.4無監督的預訓練
5.1.5澤維爾(Xavier)初始化
5.1.6ReLU敏感的縮放初始化
5.1.7層序單位方差
5.1.8有監督的預訓練
5.2CNN的正則化
5.2.1數據增強
5.2.2隨機失活
5.2.3隨機失連
5.2.4批量歸一化
5.2.5集成模型平均
5.2.6.2正則化
5.2.7.1正則化
5.2.8彈性網正則化
5.2.9優選範數約束
5.2.10早停
5.3基於梯度的CNN學習
5.3.1批量梯度下降
5.3.2隨機梯度下降
5.3.3小批量梯度下降
5.4神經網絡優化器
5.4.1動量
5.4.2涅斯捷羅夫動量
5.4.3自適應梯度
5.4.4自適應增量
5.4.5RMSprop
5.4.6自適應矩估計
5.5CNN中的梯度計算
5.5.1分析微分法
5.5.2數值微分法
5.5.3符號微分法
5.5.4自動微分法
5.6通過可視化理解CNN
5.6.1可視化學習的權重
5.6.2可視化激活
5.6.3基於梯度的可視化
第6章CNN架構的例子
6.1LeNet
6.2AlexNet
6.3NiN
6.4VGGnet
6.5GoogleNet
6.6ResNet
6.7ResNeXt
6.8FractalNet
6.9DenseNet
第7章CNN在計算機視覺中的應用
7.1圖像分類
7.1.1PointNet
7.2目標檢測與定位
7.2.1基於區域的CNN
7.2.2快速R.CNN
7.2.3區域建議網絡
7.3語義分割
7.3.1全卷積網絡
7.3.2深度反卷積網絡
7.3.3DeepLab
7.4場景理解
7.4.1DeepContext
7.4.2從RGB.D圖像中學習豐富的特征
7.4.3用於場景理解的PointNet
7.5圖像生成
7.5.1生成對抗網絡
7.5.2深度卷積生成對抗網絡
7.5.3超分辨率生成對抗網絡
7.6基於視頻的動作識別
7.6.1靜止視頻幀的動作識別
7.6.2雙流CNN
7.6.3長期遞歸卷積網絡
第8章深度學習工具和庫
8.1Caffe
8.2TensorFlow
8.3MatConvNet
8.4Torch7
8.5Theano
8.6Keras
8.7Lasagne
8.8Marvin
8.9Chainer
8.10PyTorch
第9章結束語
9.1本書概要
9.2未來研究方向
術語表
參考文獻