相关截图：



资料简介：

本书是一本看懂计算机视觉的实战指南，使用理论与实践相结合的思想，真正一站式搞定理论学习、算法发到模型部署上线。 全书内容共分为四个部分。部分包括第1、2章，主要讲解深度学习和计算机视觉基础，如计算机视觉领域的经典网络和常见的目标检测算法；第二部分包括第3～6章，主要讲解图像处理知识，结合应用案例，对知识行分析说明；第三部分包括第7～11章，主要讲解计算机视觉中的实战项目，对实现细节做了追本溯源的讲解；第四部分包括第12～13章，主要讲解模型的落地部署，该部分的讲解基于TensorFlow Lite框架，该框架受众广、热度高，且在各种平台都有对应的支持与优化加速方案，方便读者使用。 本书中的上百个知识与50多个案例都是作者工程应用中的经验总结，每章末尾均有"阶”，给读者提供更多的拓展知识。本书适合计算机视觉的初学者、计算机视觉算法发人员、对深度学习有兴趣的用户或者亟须工程落地使用的用户，也适合作为高校相关专业的学生教材使用。


资料目录：

前言

第1章 深度学习基础

1.1 神经网络

1.1.1 感知机

1.1.2 神经网络原理

1.2 卷积神经网络

1.2.1 CNN基本操作

1.2.2 CNN原理

1.3 循环神经网络

1.3.1 RNN

1.3.2 LSTM与GRU

1.4 经典网络

1.4.1 AlexNet

1.4.2 VGG

1.4.3 GoogLeNet

1.4.4 ResNet

1.4.5 MobileNet

1.5 进阶必备：如何学习深度学习并“落地”求职

1.5.1 深度学习如何快速入门

1.5.2 深度学习行业求职技巧

第2章 计算机视觉基础

2.1 目标检测Two-stage算法

2.1.1 R-CNN算法

2.1.2 Fast R-CNN算法

2.1.3 Faster R-CNN算法

2.2 目标检测One-stage算法

2.2.1 YOLO系列算法

2.2.2 SSD算法

2.3 图像分割算法

2.3.1 FCN算法

2.3.2 U-Net算法

2.3.3 DeepLab系列算法

2.3.4 Mask R-CNN算法

2.4 进阶必备：计算机视觉方向知多少

第3章 基础图像处理

3.1 线性滤波

3.1.1 案例1：使用方框滤波

3.1.2 案例2：使用均值滤波

3.1.3 案例3：使用高斯滤波

3.2 非线性滤波

3.2.1 案例4：使用中值滤波

3.2.2 案例5：使用双边滤波

3.3 OpenCV形态学运算

3.3.1 案例6：进行膨胀操作

3.3.2 案例7：进行腐蚀操作

3.3.3 案例8：使用形态学运算

3.4 案例9：使用漫水填充

3.5 图像金字塔

3.5.1 案例10：使用高斯金字塔

3.5.2 案例11：使用拉普拉斯金字塔

3.6 阈值化

3.6.1 案例12：使用基本阈值

3.6.2 案例13：使用自适应阈值

3.7 进阶必备：选择一款合适的图像处理工具

3.7.1 OpenCV

3.7.2 MATLAB

第4章 图像变换

4.1 边缘检测

4.1.1 案例14：Sobel算法

4.1.2 案例15：Scharr算法

4.1.3 案例16：Laplacian算法

4.1.4 案例17：Canny算法

4.2 案例18：绘制轮廓

4.3 霍夫变换

4.3.1 案例19：霍夫线变换

4.3.2 案例20：霍夫圆变换

4.4 案例21：重映射

4.5 案例22：仿射变换

4.6 案例23：透视变换

4.7 直方图

4.7.1 案例24：直方图的计算与绘制

4.7.2 案例25：直方图均衡化

4.8 进阶必备：图像变换应用之文本图像矫正

4.8.1 图像变换知识总结

4.8.2 案例26：文本图像矫正

第5章 角点检测

5.1 案例27：Harris角点检测

5.2 案例28：Shi-Tomasi角点检测

5.3 案例29：亚像素级角点检测

5.4 进阶必备：角点检测知识总结

第6章 特征点检测与匹配

6.1 特征点检测

6.1.1 opencv-contrib环境安装

6.1.2 案例30：SIFT特征点检测

6.1.3 案例31：SURF特征点检测

6.2 特征匹配

6.2.1 案例32：BruteForce匹配

6.2.2 案例33：FLANN匹配

6.3 案例34：ORB特征提取

6.4 进阶必备：利用特征点拼接图像

6.4.1 特征点检测算法汇总

6.4.2 案例35：基于特征点检测与匹配的图像拼接

第7章 手写数字识别

7.1 Keras的应用

7.1.1 Keras模型

7.1.2 Keras层

7.1.3 模型编译

7.1.4 模型训练

7.2 LeNet算法

7.3 案例36：使用Keras实现手写数字识别

7.3.1 模型训练

7.3.2 手写数字识别模型推理

7.4 进阶必备：算法模型开发流程

7.4.1 数据准备

7.4.2 网络搭建

7.4.3 模型训练

第8章 CIFAR-10图像分类

8.1 图像分类数据集

8.1.1 CIFAR-10数据集和CIFAR-100数据集

8.1.2 ImageNet数据集

8.1.3 PASCAL VOC数据集

8.2 案例37：CIFAR-10图像分类

8.2.1 模型训练过程

8.2.2 模型推理

8.3 进阶必备：COCO数据集与使用HOG+SVM方法实现图像分类

8.3.1 COCO数据集

8.3.2 案例38：使用HOG+SVM方法实现图像分类

第9章 验证码识别

9.1 TensorFlow应用

9.1.1 案例39：TensorFlow的基本使用

9.1.2 TensorFlow的常用模块

9.2 案例40：验证码识别

9.2.1 生成验证码图片

9.2.2 基于TensorFlow的验证码识别

9.3 进阶必备：算法模型开发技巧

9.3.1 数据预处理技巧

9.3.2 网络搭建技巧

9.3.3 模型训练技巧

第10章 文本检测

10.1 文本检测算法

10.1.1 CTPN算法

10.1.2 EAST算法

10.2 案例41：基于EAST算法的文本检测

10.2.1 数据预处理

10.2.2 网络搭建

10.2.3 模型训练

10.2.4 文本检测验证

10.3 进阶必备：在不同场景下文本检测的应对方式

10.3.1 复杂场景文本检测

10.3.2 案例42：使用形态学运算实现简单场景文本检测

10.3.3 案例43：使用MSER+NMS实现简单场景文本检测

第11章 文本识别

11.1 文本识别算法

11.1.1 CRNN算法

11.1.2 Attention OCR算法

11.2 案例44：基于CRNN算法的文本识别

11.2.1 数据预处理

11.2.2 网络搭建

11.2.3 模型训练

11.2.4 文本识别验证

11.3 进阶必备：单字OCR

11.3.1 OCR探究

11.3.2 案例45：文本图片字符切割

第12章 TensorFlow Lite

12.1 TensorFlow Lite介绍

12.1.1 TensorFlow Lite基础

12.1.2 TensorFlow Lite源码分析

12.2 模型转换

12.2.1 FlatBuffers文件格式

12.2.2 案例46：其他格式转换为.tflite模型

12.3 模型量化

12.3.1 案例47：量化感知训练

12.3.2 案例48：训练后量化

12.4 进阶必备：模型转换与模型部署优化答疑

12.4.1 模型转换问题

12.4.2 模型部署优化

第13章 基于TensorFlow Lite的AI功能部署实战

13.1 部署流程

13.2 案例49：移动端部署

13.2.1 搭建开发环境

13.2.2 编译运行项目

13.2.3 调用过程解析

13.3 PC端部署

13.3.1 案例50：Windows平台部署

13.3.2 案例51：Linux平台部署

13.3.3 案例52：ARM平台部署

13.3.4 案例53：MIPS平台部署

13.4 进阶必备：推理框架拓展与OpenCV编译部署

13.4.1 其他深度学习推理框架

13.4.2 OpenCV编译

其 他