深度学习与目标检测：工具、原理与算法

内容简介<br>这是一本从工具、原理、算法3个维度指导读者零基础快速掌握目标检测技术及其应用的入门书。<br>两位作者是资深的AI技术专家和计算机视觉算法专家，在阿里、腾讯、百度、三星等大企业从事计算机视觉相关的工作多年，不仅理论功底扎实、实践经验丰富，而且知道初学者进入计算机视觉领域的痛点和难点。据此，两位作者编写了这本针对目标检测初学者的入门书，希望从知识体系和工程实践的角度帮助读者少走弯路。<br>第1~2章是目标检测的准备工作，主要介绍了目标检测的常识、深度学习框架的选型、开发环境的搭建以及数据处理工具的使用。<br>第3~5章是目标检测的技术基础，主要讲解了数据预处理和卷积神经网络等图像分类技术的基础知识。<br>第6章比较详细地介绍了香港中文大学的开源算法库mmdetection。<br>第7~10章详细地讲解了目标检测的概念、原理、一阶段算法、二阶段算法以及提升算法性能的常用方法。<br>第11章简单介绍了目标检测的相关案例（以工业为背景），以帮助读者构建一个更完整的知识体系。

作者简介<br>涂铭<br>? 资深数据架构师和人工智能技术专家，现就职于腾讯，曾就职于阿里。对大数据、自然语言处理、图像识别、Python、Java等相关技术有深入的研究，积累了丰富的实践经验。<br>? 在工业领域曾参与了燃煤优化、设备故障诊断以及正泰光伏电池片和组件EL图像检测项目；在自然语言处理方面，曾担任导购机器人项目的架构师，主导开发机器人的语义理解、短文本相似度匹配、上下文理解，以及通过自然语言检索产品库，在项目中构建了NoSQL+文本检索等大数据架构，同时负责问答对的整理和商品属性的提取，带领NLP团队构建了语义解析层。<br>? 合著有畅销书《Python自然语言处理实战：核心技术与算法》《深度学习与图像识别：原理与实践》《会话式AI：自然语言处理与人机交互》。<br>? 金智勇<br>? 计算机视觉算法专家，在计算机视觉领域深耕12年。现就职于百度，曾就职于阿里和三星等知名高新技术企业。业务领域涵盖增强现实、人脸识别、图像美化、智能交通、工业质检等多个方向，具有丰富的算法研究与落地经验。

前言<br/>第1章　目标检测概述 1<br/>1.1　什么是目标检测 1<br/>1.2　典型的应用场景 2<br/>1.2.1　人脸识别 2<br/>1.2.2　智慧交通 2<br/>1.2.3　工业检测 3<br/>1.3　目标检测技术发展简史 3<br/>1.3.1　传统算法 4<br/>1.3.2　深度学习算法 5<br/>1.4　目标检测领域重要的公开评测集 8<br/>1.5　本章小结 11<br/>第2章　目标检测前置技术 12<br/>2.1　深度学习框架 12<br/>2.1.1　Theano 12<br/>2.1.2　TensorFlow 13<br/>2.1.3　MXNet 14<br/>2.1.4　Keras 15<br/>2.1.5　PyTorch 15<br/>2.1.6　Caffe 16<br/>2.2　搭建开发环境 17<br/>2.2.1　Anaconda 17<br/>2.2.2　Conda 19<br/>2.2.3　PyTorch的下载与安装 21<br/>2.3　NumPy使用详解 22<br/>2.3.1　创建数组 22<br/>2.3.2　创建NumPy数组 24<br/>2.3.3　获取NumPy属性 27<br/>2.3.4　NumPy数组索引 28<br/>2.3.5　切片 28<br/>2.3.6　NumPy中的矩阵运算 29<br/>2.3.7　数据类型转换 31<br/>2.3.8　NumPy的统计计算方法 31<br/>2.3.9　NumPy中的arg运算 32<br/>2.3.10　FancyIndexing 33<br/>2.3.11　NumPy数组比较 33<br/>2.4　本章小结 35<br/>第3章　卷积神经网络 36<br/>3.1　卷积神经网络基础 36<br/>3.1.1　全连接层 36<br/>3.1.2　卷积层 37<br/>3.1.3　池化层 42<br/>3.1.4　三维数据的卷积运算 44<br/>3.1.5　批规范化层 45<br/>3.1.6　Dropout层 47<br/>3.2　本章小结 48<br/>第4章　数据预处理 49<br/>4.1　数据增强 49<br/>4.1.1　resize操作 50<br/>4.1.2　crop操作 51<br/>4.1.3　随机的水平和竖直翻转 52<br/>4.1.4　随机角度的旋转 53<br/>4.1.5　亮度、对比度和颜色的随机变化 54<br/>4.1.6　彩色图转灰度图 55<br/>4.2　数据的探索—Kaggle猫狗大战 56<br/>4.3　本章小结 64<br/>第5章　常见卷积神经网络结构 65<br/>5.1　LeNet神经网络 65<br/>5.2　AlexNet神经网络 70<br/>5.3　VGGNet神经网络 77<br/>5.4　GoogLeNet神经网络 81<br/>5.4.1　inception模块 83<br/>5.4.2　GoogLeNet的实现 85<br/>5.4.3　GoogLeNet的演变 88<br/>5.5　ResNet 89<br/>5.5.1　残差模块 90<br/>5.5.2　ResNet模型 92<br/>5.6　DenseNet 92<br/>5.7　其他网络结构 95<br/>5.8　实战案例 96<br/>5.9　计算图像数据集的RGB均值和方差 98<br/>5.10　本章小结 99<br/>第6章　mmdetection工具包介绍 100<br/>6.1　mmdetection概要 100<br/>6.2　mmdetection支持的检测框架和算法实现 101<br/>6.3　搭建mmdetection开发环境 102<br/>6.4　使用入门 103<br/>6.4.1　使用预训练模型进行推理 103<br/>6.4.2　训练模型 105<br/>6.4.3　有用的工具 106<br/>6.4.4　如何使用mmdetection 108<br/>6.5　标注图像 110<br/>6.6　实战案例 112<br/>6.6.1　检测人体 113<br/>6.6.2　检测猫和狗 115<br/>6.7　本章小结 120<br/>第7章　目标检测的基本概念 121<br/>7.1　概念详解 121<br/>7.1.1　IoU计算 122<br/>7.1.2　NMS操作 122<br/>7.1.3　感受野 124<br/>7.1.4　空洞卷积 128<br/>7.1.5　评价指标mAP 129<br/>7.2　本章小结 131<br/>第8章　两阶段检测方法 132<br/>8.1　R-CNN算法 132<br/>8.1.1　生成候选区域 132<br/>8.1.2　类别判定 133<br/>8.1.3　位置修正 136<br/>8.1.4　检测过程 137<br/>8.1.5　R-CNN算法的重要意义 138<br/>8.2　SPP-Net算法 139<br/>8.2.1　空间金字塔采样 139<br/>8.2.2　网络训练 141<br/>8.2.3　测试过程 142<br/>8.3　Fast R-CNN算法及训练过程 143<br/>8.3.1　ROI池化层 144<br/>8.3.2　模型训练 144<br/>8.3.3　测试过程 147<br/>8.4　Faster R-CNN算法及训练过程 147<br/>8.4.1　候选框提取网络 148<br/>8.4.2　RPN和Fast R-CNN共享特征的方法 152<br/>8.5　Faster R-CNN代码解析 153<br/>8.5.1　代码整体结构 153<br/>8.5.2　数据加载 158<br/>8.5.3　构建主干网络 160<br/>8.5.4　候选框提取网络 161<br/>8.5.5　对候选框进行分类和位置校正 163<br/>8.5.6　算法模型架构图 165<br/>8.6　本章小结 165<br/>第9章　检测算法的进一步改进 167<br/>9.1　特征金字塔 167<br/>9.1.1　特征金字塔结构 167<br/>9.1.2　FPN代码解析 170<br/>9.2　焦点损失函数 174<br/>9.3　本章小结 175<br/>第10章　一阶段检测算法 176<br/>10.1　YOLO算法 176<br/>10.1.1　YOLO第一版 176<br/>10.1.2　YOLO第二版 182<br/>10.1.3　YOLO第三版 185<br/>10.2　SSD算法 196<br/>10.2.1　SSD算法原理 197<br/>10.2.2　训练方法 197<br/>10.2.3　SSD代码解析 201<br/>10.3　FCOS算法 208<br/>10.3.1　FCOS算法原理 208<br/>10.3.2　FCOS源码解析 213<br/>10.4　本章小结 217<br/>第11章　工业AI的发展 218<br/>11.1　工业AI的概念和互联网 218<br/>11.2　工业AI落地应用 219<br/>11.2.1　工业AI的典型场景 220<br/>11.2.2　工业AI落地背后的本质 221<br/>11.2.3　展望 221<br/>11.3　工业生产中的缺陷检测问题 221<br/>11.3.1　视觉检测系统 221<br/>11.3.2　光学识别软件 222<br/>11.3.3　视觉质检典型需求场景 222<br/>11.4　目标检测在工业中的案例：面板行业ADC解决方案 223<br/>11.4.1　面板行业生产质检的特点 223<br/>11.4.2　ADC解决方案 223<br/>11.4.3　系统效果与价值总结 225<br/>11.5　本章小结 226