《OPENCV深度学习应用与性能优化实践》求取 ⇩

第1章OpenCV和深度学习1

1.1OpenCV处理流程1

1.1.1 OpenCV库1

1.1.2 OpenCV深度学习应用的典型流程3

1.2机器学习的数学视角5

1.2.1 机器学习和非机器学习5

1.2.2 从人工神经网络到深度学习8

1.2.3 破除神秘——神经网络是如何训练的11

1.3OpenCV深度学习模块16

1.3.1 主要特性16

1.3.2 OpenCV DNN图像分类举例（Python）17

1.4 本章小结19

第2章OpenCV深度学习模块解析20

2.1 深度学习模块分层架构总览20

2.2语言绑定和测试层21

2.2.1 深度学习模块的Python语言绑定21

2.2.2 深度学习模块的正确性测试和性能测试23

2.3API层30

2.3.1 Layer类及如何定制一个新的层类型30

2.3.2 Net类32

2.3.3 常用函数35

2.4DNN引擎层37

2.4.1 模型导入37

2.4.2 推理引擎数据对象管理43

2.4.3 推理引擎重点层解释47

2.4.4 层的合并优化62

2.5引擎加速层66

2.5.1 深度学习模块支持的运算目标设备67

2.5.2 深度学习模块支持的加速后端68

2.5.3 加速方式的选择69

2.6 本章小结70

第3章并行计算与GPU架构71

3.1 并行计算浅谈71

3.2Intel GPU架构及其在并行计算中的应用74

3.2.1 Intel GPU的计算架构74

3.2.2 两种不同的SIMD使用思路——AOS和SOA82

3.2.3 cl_intel_subgroups在Intel GPU上的参考实现89

3.3 本章小结100

第4章基于Vulkan的加速实现101

4.1 初识Vulkan101

4.2 使用Vulkan加速102

4.3Vulkan后端加速过程解析104

4.3.1 数据对象初始化105

4.3.2 后端运算节点初始化108

4.3.3 调用后端运算节点进行前向运算111

4.3.4 Vulkan后端库113

4.4 本章小结119

第5章基于OpenCL的加速实现120

5.1 OpenCL简介120

5.2 如何使用OpenCL加速125

5.3OpenCL加速详解128

5.3.1 OpenCL API封装129

5.3.2 DNN模块的卷积层实现详解132

5.3.3 ocl4dnn库的卷积运算类详解134

5.3.4 卷积核函数auto-tuning机制解析138

5.4 本章小结143

第6章CPU及第三方库加速的实现144

6.1原生CPU加速实现144

6.1.1 基于多线程技术的加速147

6.1.2 基于并行指令的加速153

6.2Halide后端的实现157

6.2.1 Halide介绍158

6.2.2 如何启用Halide163

6.2.3 Halide后端的实现原理165

6.3Intel推理引擎后端的实现171

6.3.1 Intel推理引擎介绍171

6.3.2 如何启用推理引擎后端172

6.3.3 Intel推理引擎后端的实现原理176

6.4 本章小结185

第7章可视化工具与性能优化186

7.1 Netscope：基于Web的Caffe网络可视化工具186

7.2TensorBoard：助力TensorFlow程序的理解和调试188

7.2.1 图的可视化188

7.2.2 数据的可视化191

7.2.3 调试的可视化197

7.3VTune：Intel平台的性能调优利器199

7.3.1 系统性能查看工具200

7.3.2 Intel VTune功能介绍202

7.3.3 VTune程序性能优化实例211

7.4 程序优化流程总结和建议213

7.5 本章小结215

第8章支付级人脸识别项目开发实战216

8.1 活体检测的概念与方法216

8.2 支付级人脸识别项目流程218

8.3基于OpenCV的支付级人脸识别项目具体实现220

8.3.1 数据准备222

8.3.2 活体检测模型训练230

8.3.3 支付级人脸识别系统实现238

8.4 本章小结244

第9章深度学习模块不同场景下的应用实践245

9.1图像分类245

9.1.1 图像分类经典网络结构245

9.1.2 GoogLeNet247

9.1.3 图像分类程序源码分析249

9.1.4 图像分类程序运行结果255

9.2目标检测256

9.2.1 SSD算法解析256

9.2.2 目标检测程序源码分析257

9.2.3 目标检测程序运行结果260

9.3语义分割261

9.3.1 FCN模型262

9.3.2 语义分割程序源码分析263

9.3.3 语义分割程序运行结果267

9.4视觉风格变换268

9.4.1 视觉风格变换模型268

9.4.2 视觉风格变换程序源码分析269

9.4.3 视觉风格变换程序运行结果271

9.5 本章小结273

附录AOpenCV的编译安装及patch开发流程274

附录Bintel_gpu_frequency工具的安装和使用280