深度学习之PyTorch物体检测实战

本书从概念、发展、经典实现方法等几个方面系统地介绍了物体检测的相关知识，重点介绍了FasterRCNN、SDD和YOLO这三个经典的检测器，并利用PyTorch框架从代码角度进行了细致讲解。另外，本书进一步介绍了物体检测的轻量化网络、细节处理、难点问题及未来的发展趋势，从实战角度给出了多种优秀的解决方法，便于读者更深入地掌握物体检测技术，从而做到在实际项目中灵活应用。本书共10章，涵盖的主要内容有物体检测与PyTorch框架基础概念与背景知识；PyTorch基础知识；基础卷积网络Backbone；两阶经典检测器FasterRCNN；单阶多层检测器SSD；单阶经典检测器YOLO；模型加速之轻量化网络；物体检测细节处理；物体检测难点问题；物体检测的未来发展。本书内容丰富，讲解通俗易懂，案例典型，实用性强，特别适合PyTorch框架爱好者和物体检测相关从业人员阅读，也适合深度学习和计算机视觉领域的研究人员阅读。另外，本书还适合作为深度学习培训机构的教材使用。

前言
第1篇物体检测基础知识
第1章浅谈物体检测与PyTorch2
1.1深度学习与计算机视觉2
1.1.1发展历史2
1.1.2计算机视觉7
1.2物体检测技术9
1.2.1发展历程10
1.2.2技术应用领域11
1.2.3评价指标12
1.3PyTorch简介17
1.3.1诞生与特点17
1.3.2各大深度学习框架对比17
1.3.3为什么选择PyTorch19
1.3.4安装方法20
1.4基础知识准备22
1.4.1Linux基础22
1.4.2Python基础24
1.4.3高效开发工具29
1.5总结36
第2章PyTorch基础37
2.1基本数据：Tensor37
2.1.1Tensor数据类型37
2.1.2Tensor的创建与维度查看39
2.1.3Tensor的组合与分块41
2.1.4Tensor的索引与变形42
2.1.5Tensor的排序与取极值46
2.1.6Tensor的自动广播机制与向量化46
2.1.7Tensor的内存共享47
2.2Autograd与计算图48
2.2.1Tensor的自动求导：Autograd49
2.2.2计算图50
2.2.3Autograd注意事项51
2.3神经网络工具箱torch.nn52
2.3.1nn.Module类52
2.3.2损失函数55
2.3.3优化器nn.optim56
2.4模型处理59
2.4.1网络模型库：torchvision.models59
2.4.2加载预训练模型60
2.4.3模型保存61
2.5数据处理61
2.5.1主流公开数据集61
2.5.2数据加载63
2.5.3GPU加速65
2.5.4数据可视化66
2.6总结68
第3章网络骨架：Backbone69
3.1神经网络基本组成69
3.1.1卷积层70
3.1.2激活函数层72
3.1.3池化层75
3.1.4Dropout层76
3.1.5BN层77
3.1.6全连接层79
3.1.7深入理解感受野81
3.1.8详解空洞卷积（DilatedConvolution）82
3.2走向深度：VGGNet83
3.3纵横交错：Inception87
3.4里程碑：ResNet93
3.5继往开来：DenseNet95
3.6特征金字塔：FPN99
3.7为检测而生：DetNet106
3.8总结110
第2篇物体检测经典框架
第4章两阶经典检测器：FasterRCNN112
4.1RCNN系列发展历程112
4.2准备工作114
4.3FasterRCNN总览115
4.4详解RPN117
4.5RoIPooling层127
4.6全连接RCNN模块130
4.7FasterRCNN的改进算法131
4.8总结141
第5章单阶多层检测器：SSD142
5.1SSD总览142
5.2数据预处理144
5.3网络架构148
5.4匹配与损失求解154
5.5SSD的改进算法157
5.6总结166
第6章单阶经典检测器：YOLO167
6.1无锚框预测：YOLOv1167
6.2依赖锚框：YOLOv2171
6.3多尺度与特征融合：YOLOv3180
6.4总结183
第3篇物体检测的难点与发展
第7章模型加速之轻量化网络186
7.1压缩再扩展：SqueezeNet188
7.2深度可分离：MobileNet191
7.3通道混洗：ShuffleNet200
7.4总结207
第8章物体检测细节处理209
8.1非极大值抑制：NMS209
8.2样本不均衡问题217
8.3模型过拟合224
8.4总结229
……