本書自成一體，如果你既想了解CNN的原理，又想獲得將CNN應用于計算機視覺的一手經驗，那么本書將非常適合閱讀。書中對CNN進行了全面介紹，首先是神經網絡的基本概念：訓練、正則化和優(yōu)化。然后討論了各種各樣的損失函數、網絡層和流行的CNN架構，回顧了評價CNN的不同技術，并介紹了一些常用的CNN工具和庫。此外，本書還分析了CNN在計算機視覺中的應用案例，包括圖像分類、對象檢測、語義分割、場景理解和圖像生成。
譯者序
前言
致謝
作者簡介
第1章簡介
11什么是計算機視覺
111應用案例
112圖像處理與計算機視覺
12什么是機器學習
121為什么需要深度學習
13本書概覽
第2章特征和分類器
21特征和分類器的重要性
211特征
212分類器
22傳統(tǒng)特征描述符
221方向梯度直方圖
222尺度不變特征變換
223加速健壯特征
224傳統(tǒng)的手工工程特征的局限性
23機器學習分類器
231支持向量機
232隨機決策森林
24總結
第3章神經網絡基礎
31引言
32多層感知機
321基礎架構
322參數學習
33循環(huán)神經網絡
331基礎架構
332參數學習
34與生物視覺的關聯(lián)
341生物神經元模型
342神經元的計算模型
343人工神經元與生物神經元
第4章卷積神經網絡
41引言
42神經網絡層
421預處理
422卷積層
423池化層
424非線性
425全連接層
426轉置卷積層
427感興趣區(qū)域的池化層
428空間金字塔池化層
429局部特征聚合描述符層
4210空間變換層
43CNN損失函數
431交叉熵損失函數
432SVM鉸鏈損失函數
433平方鉸鏈損失函數
434歐幾里得損失函數
4351誤差
436對比損失函數
437期望損失函數
438結構相似性度量
第5章CNN學習
51權重初始化
511高斯隨機初始化
512均勻隨機初始化
513正交隨機初始化
514無監(jiān)督的預訓練
515澤維爾(Xavier)初始化
516ReLU敏感的縮放初始化
517層序單位方差
518有監(jiān)督的預訓練
52CNN的正則化
521數據增強
522隨機失活
523隨機失連
524批量歸一化
525集成模型平均
5262正則化
5271正則化
528彈性網正則化
529最大范數約束
5210早停
53基于梯度的CNN學習
531批量梯度下降
532隨機梯度下降
533小批量梯度下降
54神經網絡優(yōu)化器
541動量
542涅斯捷羅夫動量
543自適應梯度
544自適應增量
545RMSprop
546自適應矩估計
55CNN中的梯度計算
551分析微分法
552數值微分法
553符號微分法
554自動微分法
56通過可視化理解CNN
561可視化學習的權重
562可視化激活
563基于梯度的可視化
第6章CNN架構的例子
61LeNet
62AlexNet
63NiN
64VGGnet
65GoogleNet
66ResNet
67ResNeXt
68FractalNet
69DenseNet
第7章CNN在計算機視覺中的應用
71圖像分類
711PointNet
72目標檢測與定位
721基于區(qū)域的CNN
722快速RCNN
723區(qū)域建議網絡
73語義分割
731全卷積網絡
732深度反卷積網絡
733DeepLab
74場景理解
741DeepContext
742從RGBD圖像中學習豐富的特征
743用于場景理解的PointNet
75圖像生成
751生成對抗網絡
752深度卷積生成對抗網絡
753超分辨率生成對抗網絡
76基于視頻的動作識別
761靜止視頻幀的動作識別
762雙流CNN
763長期遞歸卷積網絡
第8章深度學習工具和庫
81Caffe
82TensorFlow
83MatConvNet
84Torch7
85Theano
86Keras
87Lasagne
88Marvin
89Chainer
810PyTorch
第9章結束語
91本書概要
92未來研究方向
術語表
參考文獻
書單推薦
