●序一
序二
序三
序四
前言
第1章 OpenCV和深度學習
1.1 OpenCV處理流程
1.1.1 OpenCV庫
1.1.2 OpenCV深度學習應用的典型流程
1.2 機器學習的數學視角
1.2.1 機器學習和非機器學習
1.2.2 從人工神經網絡到深度學習
1.2.3 破除神秘——神經網絡是如何訓練的
1.3 OpenCV深度學習模塊
1.3.1 主要特性
1.3.2 OpenCV DNN圖像分類舉例（Python）
1.4 本章小結
第2章 OpenCV深度學習模塊解析
2.1 深度學習模塊分層架構總覽
2.2 語言綁定和測試層
2.2.1 深度學習模塊的Python語言綁定
2.2.2 深度學習模塊的正確性測試和性能測試
2.3 API層
2.3.1 Layer類及如何定制一個新的層類型
2.3.2 Net類
2.3.3 常用函數
2.4 DNN引擎層
2.4.1 模型導入
2.4.2 推理引擎數據對像管理
2.4.3 推理引擎重點層解釋
2.4.4 層的合並優化
2.5 引擎加速層
2.5.1 深度學習模塊支持的運算目標設備
2.5.2 深度學習模塊支持的加速後端
2.5.3 加速方式的選擇
2.6 本章小結
第3章 並行計算與GPU架構
3.1 並行計算淺談
3.2 Intel GPU架構及其在並行計算中的應用
3.2.1 Intel GPU的計算架構
3.2.2 兩種不同的SIMD使用思路——AOS和SOA
3.2.3 cl_intel_subgroups在Intel GPU上的參考實現
3.3 本章小結
第4章 基於Vulkan的加速實現
4.1 初識Vulkan
4.2 使用Vulkan加速
4.3 Vulkan後端加速過程解析
4.3.1 數據對像初始化
4.3.2 後端運算節點初始化
4.3.3 調用後端運算節點進行前向運算
4.3.4 Vulkan後端庫
4.4 本章小結
第5章 基於OpenCL的加速實現
5.1 OpenCL簡介
5.2 如何使用OpenCL加速
5.3 OpenCL加速詳解
5.3.1 0penCL API封裝
5.3.2 DNN模塊的卷積層實現詳解
5.3.3 oc14dnn庫的卷積運算類詳解
5.3.4 卷積核函數auto-tuning機制解析
5.4 本章小結
第6章 CPU及第三方庫加速的實現
6.1 原生CPU加速實現
6.1.1 基於多線程技術的加速
6.1.2 基於並行指令的加速
6.2 Halide後端的實現
6.2.1 Halide介紹
6.2.2 如何啟用Halide
6.2.3 Halide後端的實現原理
6.3 Intel推理引擎後端的實現
6.3.1 Intel推理引擎介紹
6.3.2 如何啟用推理引擎後端
6.3.3 Intel推理引擎後端的實現原理
6.4 本章小結
第7章 可視化工具與性能優化
7.1 Netscope：基於Web的Caffe網絡可視化工具
7.2 TensorBoarld：助力TensorFlow程序的理解和調試
7.2.1 圖的可視化
7.2.2 數據的可視化
7.2.3 調試的可視化
7.3 VTune: Intel平臺的性能調優利器
7.3.1 繫統性能查看工具
7.3.2 Intel VTune功能介紹
7.3.3 VTune程序性能優化實例
7.4 程序優化流程總結和建議
7.5 本章小結
第8章 支付級人臉識別項目開發實戰
8.1 活體檢測的概念與方法
8.2支付級人臉識別項目流程
8.3 基於OpenCV的支付級人臉識別項目具體實現
8.3.1 數據準備
8.3.2 活體檢測模型訓練
8.3.3 支付級人臉識別繫統實現
8.4 本章小結
第9章 深度學習模塊不同場景下的應用實踐
9.1 圖像分類
9.1.1 圖像分類經典網絡結構
9.1.2 GoogLeNet
9.1.3 圖像分類程序源碼分析
9.1.4 圖像分類程序運行結果
9.2 目標檢測
9.2.1 SSD算法解析
9.2.2 目標檢測程序源碼分析
9.2.3 目標檢測程序運行結果
9.3 語義分割
9.3.1 FCN模型
9.3.2 語義分割程序源碼分析
9.3.3 語義分割程序運行結果
9.4 視覺風格變換
9.4.1 視覺風格變換模型
9.4.2 視覺風格變換程序源碼分析
9.4.3 視覺風格變換程序運行結果
9.5 本章小結
附錄A OpenCV的編譯安裝及patch開發流程
附錄B intel_gpu_frequency工具的安裝和使用

Intel音視頻團隊與阿裡巴巴圖像處理專家聯合撰寫，知名專家聯袂推薦，深入解析OpenCV DNN模塊、基於GPU/CPU的加速實現、性能優化技巧與可視化工具，以及人臉活體檢測（完整案例）與主流識別項目解析。第1～2章介紹了OpenCV編譯與運行，深度學習模塊（Open DNN）的架構與實現原理，以及深度學習的數學基礎與如何快速上手。第3～5章主要介紹了OpenCV的GPU加速原理，涵蓋必要的並行計算知識、InteI GPU硬件結構，以及OpenCL和Vulkarl加速實現，是性能優化工作的核心。第6章介紹了CPU的硬件知識，以及深度學習模塊的CPU加速方法，重點講解了指令集SIMD加速，討論了Halide後端加速、OpenVINO（Intel推理引擎）加速。第7章介紹了常用的深度神經網絡可視化工具——TensorBoard（適用於TensorFlow網絡格式），Netscope（適用於C等