|
|
|
本書首先介紹了影像處理基礎知識、構建電腦視覺系統、深度學習與人工神經網路，然後重點闡述了深度學習用於圖像識別及目標檢測。
之後，本書通過多個案例來介紹深度學習在電腦視覺方面的應用，同時探討了雲上電腦視覺建模。特別地，本書通過設問及循序漸進的學習目標，可以讓讀者深刻領會利用深度學習技術解決電腦視覺問題。
譯者序
前言
致謝
第1章前提條件和軟體安裝 1
1.1Python和PIP 1
1.2virtualenv 3
1.3TensorFlow 4
1.4PyCharm IDE 4
1.5OpenCV 5
1.6附加庫 6
第2章圖像和視頻處理的核心概念 7
2.1影像處理 7
2.2圖像基礎 7
2.3圖元 8
2.4坐標系 8
2.5操作圖像的Python和OpenCV代碼 10
2.6畫圖 13
2.7總結 18
第3章影像處理技術 19
3.1圖像轉換 19
3.2圖像算數運算與位元運算 28
3.3遮罩 36
3.4通道分割與合併 38
3.5利用平滑處理和模糊處理降噪 40
3.6閾值二值化 46
3.7梯度和邊緣檢測 52
3.8輪廓 56
3.9總結 58
第4章構建基於機器學習的電腦視覺系統 59
4.1影像處理流水線 59
4.2特徵提取 60
4.3特徵選擇 79
4.4模型訓練 80
4.5模型部署 82
4.6總結 84
第5章深度學習與人工神經網路 85
5.1人工神經網路 85
5.2TensorFlow 102
5.3第一個使用深度學習的電腦視覺模型：手寫數字分類 104
5.4模型評估 110
5.5超參數 113
5.6保存模型和恢復模型 117
5.7卷積神經網路 121
5.8總結 135
第6章深度學習用於目標檢測 136
6.1目標檢測 136
6.2交並比 137
6.3R-CNN 138
6.4Fast R-CNN 139
6.5Faster R-CNN 140
6.6Mask R-CNN 141
6.7單發多盒檢測 144
6.8YOLO 148
6.9YOLO的局限性 150
6.10 目標檢測演算法的比較 153
6.11 利用TensorFlow訓練目標檢測模型 155
6.12 利用訓練的模型檢測目標 171
6.13 用於目標檢測的YOLOv3模型訓練 182
6.14 利用訓練的YOLOv3模型檢測目標 190
6.15 總結 194
第7章實例：視頻中的目標跟蹤 195
7.1準備工作環境 196
7.2讀取視頻流 197
7.3載入目標檢測模型 199
7.4檢測視頻幀中的目標 199
7.5利用dHash演算法為目標創建唯一標識 201
7.6用漢明距離法計算圖像相似度 202
7.7目標跟蹤 202
7.8在Web流覽器中顯示即時視頻流 204
7.9整合 207
7.10 總結 214
第8章實例：人臉識別 215
8.1FaceNet及其架構 215
8.2人臉識別模型的訓練 220
8.3即時人臉識別系統的開發 226
8.4總結 230
第9章工業應用：工業製造中的即時缺陷檢測 231
9.1即時表面缺陷檢測系統 231
9.2圖像注釋 244
9.3總結 248
第10章雲上電腦視覺建模 249
10.1TensorFlow分散式訓練 250
10.2TensorFlow分佈策略 251
10.3TF_CONFIG：TensorFlow集群配置 255
10.4使用參數伺服器的分散式訓練示例代碼 256
10.5在雲上執行分散式訓練的步驟 259
10.6基於穀歌雲的分散式訓練 260
10.7基於Azure的分散式訓練 267
10.8基於AWS的分散式訓練 275
10.9總結 285
