《计算机视觉之深度学习:使用TENSORFLOW和KERAS训练高级神经网络=DEEP LEARNING FOR COMPUTER VISION EXPERT TECHNIQUES TO》求取 ⇩
作者 | (英)拉贾林加帕·尚穆加马尼著 编者 |
---|---|
出版 | 未查询到或未知 |
参考页数 | ✅ 真实服务 非骗流量 ❤️ |
出版时间 | 2020(求助前请核对) 目录预览 |
ISBN号 | 无 — 违规投诉 / 求助条款 |
PDF编号 | 820169248(学习资料 勿作它用) |
求助格式 | 扫描PDF(若分多册发行,每次仅能受理1册) |
第1章入门1
1.1理解深度学习1
1.1.1 感知机1
1.1.2 激活函数2
1.1.3 人工神经网络4
1.1.4 训练神经网络7
1.1.5 尝试TensorFlow游乐场8
1.1.6 卷积神经网络8
1.1.7 循环神经网络10
1.1.8 长短期记忆网络11
1.2计算机视觉深度学习12
1.2.1 分类12
1.2.2 检测或定位与分割12
1.2.3 相似性学习13
1.2.4 图像题注13
1.2.5 生成模型14
1.2.6 视频分析15
1.3建立开发环境15
1.3.1 硬件和操作系统15
1.3.2 安装软件包17
1.4 小结23
第2章图像分类24
2.1在TensorFlow中训练MNIST模型24
2.1.1 MNIST数据集24
2.1.2 加载MNIST数据25
2.1.3 建立一个感知机25
2.1.4 构建多层卷积网络28
2.2在Keras中训练MNIST模型35
2.2.1 准备数据集35
2.2.2 构建模型36
2.3其他流行的图像测试数据集38
2.3.1 CIFAR数据集38
2.3.2 Fashion-MNIST数据集38
2.3.3 ImageNet数据集和竞赛39
2.4更大的深度学习模型40
2.4.1 AlexNet模型40
2.4.2 VGG-16模型41
2.4.3 谷歌Inception-V3模型42
2.4.4 微软ResNet-50模型45
2.4.5 SqueezeNet模型45
2.4.6 空间变换网络模型46
2.4.7 DenseNet模型47
2.5训练猫与狗的模型47
2.5.1 准备数据48
2.5.2 使用简单CNN进行基准测试48
2.5.3 增强数据集49
2.5.4 迁移学习或微调模型50
2.5.5 在深度学习中微调一些层51
2.6开发现实世界的应用53
2.6.1 选择正确的模型53
2.6.2 处理欠拟合和过拟合场景53
2.6.3 从面部检测性别和年龄54
2.6.4 微调服装模型54
2.6.5 品牌安全54
2.7 小结54
第3章图像检索55
3.1理解视觉特征55
3.1.1 深度学习模型的可视化激活56
3.1.2 嵌入可视化57
3.1.3 DeepDream60
3.1.4 对抗样本64
3.2模型推断65
3.2.1 导出模型65
3.2.2 提供训练好的模型66
3.3基于内容的图像检索68
3.3.1 构建检索流水线68
3.3.2 有效的检索71
3.3.3 使用自编码器去噪74
3.4 小结77
第4章目标检测78
4.1 检测图像中的目标78
4.2探索数据集79
4.2.1 ImageNet数据集79
4.2.2 PASCAL VOC挑战79
4.2.3 COCO目标检测挑战79
4.2.4 使用指标评估数据集80
4.3目标定位算法81
4.3.1 使用滑动窗口定位目标82
4.3.2 将定位看作回归问题83
4.4检测目标86
4.4.1 R-CNN(区域卷积神经网络)86
4.4.2 Fast R-CNN86
4.4.3 Faster R-CNN87
4.4.4 SSD(单射多框探测器)88
4.5目标检测API88
4.5.1 安装和设置88
4.5.2 预训练模型89
4.5.3 重新训练目标检测模型90
4.5.4 为自动驾驶汽车训练行人检测92
4.6 YOLO目标检测算法92
4.7 小结94
第5章语义分割95
5.1预测像素95
5.1.1 诊断医学图像97
5.1.2 通过卫星图像了解地球97
5.1.3 提供机器人视觉98
5.2 数据集98
5.3语义分割算法98
5.3.1 全卷积网络98
5.3.2 SegNet架构99
5.3.3 膨胀卷积103
5.3.4 DeepLab104
5.3.5 RefiNet105
5.3.6 PSPnet106
5.3.7 大卷积核的重要性106
5.3.8 DeepLab v3107
5.4 超神经分割107
5.5 分割卫星图像111
5.6 分割实例113
5.7 小结114
第6章相似性学习115
6.1相似性学习算法115
6.1.1 孪生网络115
6.1.2 FaceNet模型118
6.1.3 DeepNet模型120
6.1.4 DeepRank模型120
6.1.5 视觉推荐系统121
6.2人脸分析122
6.2.1 人脸检测122
6.2.2 人脸特征点和属性123
6.2.3 人脸识别126
6.2.4 人脸聚类130
6.3 小结131
第7章图像题注132
7.1 了解问题和数据集132
7.2理解图像题注的自然语言处理132
7.2.1 用向量形式表达词133
7.2.2 将词转换为向量133
7.2.3 训练一个嵌入134
7.3图像题注和相关问题的方法135
7.3.1 使用条件随机场来链接图像和文本136
7.3.2 在CNN特征上使用RNN生成题注136
7.3.3 使用图像排序创建题注138
7.3.4 从图像检索题注与从题注检索图像139
7.3.5 密集题注140
7.3.6 使用RNN生成题注141
7.3.7 使用多模态度量空间142
7.3.8 使用注意网络生成题注143
7.3.9 知道什么时候查看143
7.4 实现基于注意力的图像题注145
7.5 小结147
第8章生成模型148
8.1生成模型的应用148
8.1.1 艺术风格迁移148
8.1.2 预测视频中的下一帧149
8.1.3 图像的超分辨率150
8.1.4 交互式图像生成151
8.1.5 图像到图像的翻译151
8.1.6 文本到图像的生成152
8.1.7 图像修复153
8.1.8 图像混合153
8.1.9 转换属性154
8.1.10 创建训练数据154
8.1.11 创建新的动画角色155
8.1.12 照片3D模型155
8.2神经艺术风格迁移156
8.2.1 内容损失156
8.2.2 使用Gram矩阵的风格损失160
8.2.3 风格迁移162
8.3生成对抗网络165
8.3.1 vanilla GAN165
8.3.2 条件GAN167
8.3.3 对抗损失167
8.3.4 图像翻译168
8.3.5 InfoGAN168
8.3.6 GAN的缺点169
8.4 视觉对话模型169
8.5 小结171
第9章视频分类172
9.1了解视频和视频分类172
9.1.1 探索视频分类数据集172
9.1.2 将视频分割成帧175
9.1.3 视频分类方法175
9.2将基于图像的方法扩展到视频184
9.2.1 人体姿态回归184
9.2.2 视频分割185
9.2.3 视频题注186
9.2.4 视频生成188
9.3 小结188
第10章部署189
10.1模型的性能189
10.1.1 量化模型189
10.1.2 MobileNets190
10.2云部署193
10.2.1 AWS193
10.2.2 Google云平台197
10.3在设备中部署模型200
10.3.1 Jetson TX2200
10.3.2 Android201
10.3.3 iPhone201
10.4 小结202
2020《计算机视觉之深度学习:使用TENSORFLOW和KERAS训练高级神经网络=DEEP LEARNING FOR COMPUTER VISION EXPERT TECHNIQUES TO》由于是年代较久的资料都绝版了,几乎不可能购买到实物。如果大家为了学习确实需要,可向博主求助其电子版PDF文件。对合法合规的求助,我会当即受理并将下载地址发送给你。
高度相关资料
- 第六代计算机 人工神经网络计算机
- 1992 北京:科学技术文献出版社
- KERAS高级深度学习
- 2020
- 大学物理自主学习模式的建构
- 2020
- 计算机网络
- 1994 北京:学苑出版社
- 计算机网络
- 1997 沈阳:东北大学出版社
- 计算机网络 初级
- 1999 北京:清华大学出版社
- 神经网络计算
- 1993 西安:西安电子科技大学出版社
- 计算机等级考试教程 三级B 微机系统基础知识
- 1996 北京:机械工业出版社
- 计算机视觉
- 1987 北京:科学出版社
- 计算机网络
- 1995 北京:电子工业出版社
提示:百度云已更名为百度网盘(百度盘),天翼云盘、微盘下载地址……暂未提供。➥ PDF文字可复制化或转WORD