卷積神經(jīng)網(wǎng)絡(luò)與計(jì)算機(jī)視覺(jué)

譯者序
前言
致謝
作者簡(jiǎn)介
第1章簡(jiǎn)介
11什么是計(jì)算機(jī)視覺(jué)
111應(yīng)用案例
112圖像處理與計(jì)算機(jī)視覺(jué)
12什么是機(jī)器學(xué)習(xí)
121為什么需要深度學(xué)習(xí)
13本書概覽
第2章特征和分類器
21特征和分類器的重要性
211特征
212分類器
22傳統(tǒng)特征描述符
221方向梯度直方圖
222尺度不變特征變換
223加速健壯特征
224傳統(tǒng)的手工工程特征的局限性
23機(jī)器學(xué)習(xí)分類器
231支持向量機(jī)
232隨機(jī)決策森林
24總結(jié)
第3章神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
31引言
32多層感知機(jī)
321基礎(chǔ)架構(gòu)
322參數(shù)學(xué)習(xí)
33循環(huán)神經(jīng)網(wǎng)絡(luò)
331基礎(chǔ)架構(gòu)
332參數(shù)學(xué)習(xí)
34與生物視覺(jué)的關(guān)聯(lián)
341生物神經(jīng)元模型
342神經(jīng)元的計(jì)算模型
343人工神經(jīng)元與生物神經(jīng)元
第4章卷積神經(jīng)網(wǎng)絡(luò)
41引言
42神經(jīng)網(wǎng)絡(luò)層
421預(yù)處理
422卷積層
423池化層
424非線性
425全連接層
426轉(zhuǎn)置卷積層
427感興趣區(qū)域的池化層
428空間金字塔池化層
429局部特征聚合描述符層
4210空間變換層
43CNN損失函數(shù)
431交叉熵?fù)p失函數(shù)
432SVM鉸鏈損失函數(shù)
433平方鉸鏈損失函數(shù)
434歐幾里得損失函數(shù)
4351誤差
436對(duì)比損失函數(shù)
437期望損失函數(shù)
438結(jié)構(gòu)相似性度量
第5章CNN學(xué)習(xí)
51權(quán)重初始化
511高斯隨機(jī)初始化
512均勻隨機(jī)初始化
513正交隨機(jī)初始化
514無(wú)監(jiān)督的預(yù)訓(xùn)練
515澤維爾(Xavier)初始化
516ReLU敏感的縮放初始化
517層序單位方差
518有監(jiān)督的預(yù)訓(xùn)練
52CNN的正則化
521數(shù)據(jù)增強(qiáng)
522隨機(jī)失活
523隨機(jī)失連
524批量歸一化
525集成模型平均
5262正則化
5271正則化
528彈性網(wǎng)正則化
529最大范數(shù)約束
5210早停
53基于梯度的CNN學(xué)習(xí)
531批量梯度下降
532隨機(jī)梯度下降
533小批量梯度下降
54神經(jīng)網(wǎng)絡(luò)優(yōu)化器
541動(dòng)量
542涅斯捷羅夫動(dòng)量
543自適應(yīng)梯度
544自適應(yīng)增量
545RMSprop
546自適應(yīng)矩估計(jì)
55CNN中的梯度計(jì)算
551分析微分法
552數(shù)值微分法
553符號(hào)微分法
554自動(dòng)微分法
56通過(guò)可視化理解CNN
561可視化學(xué)習(xí)的權(quán)重
562可視化激活
563基于梯度的可視化
第6章CNN架構(gòu)的例子
61LeNet
62AlexNet
63NiN
64VGGnet
65GoogleNet
66ResNet
67ResNeXt
68FractalNet
69DenseNet
第7章CNN在計(jì)算機(jī)視覺(jué)中的應(yīng)用
71圖像分類
711PointNet
72目標(biāo)檢測(cè)與定位
721基于區(qū)域的CNN
722快速RCNN
723區(qū)域建議網(wǎng)絡(luò)
73語(yǔ)義分割
731全卷積網(wǎng)絡(luò)
732深度反卷積網(wǎng)絡(luò)
733DeepLab
74場(chǎng)景理解
741DeepContext
742從RGBD圖像中學(xué)習(xí)豐富的特征
743用于場(chǎng)景理解的PointNet
75圖像生成
751生成對(duì)抗網(wǎng)絡(luò)
752深度卷積生成對(duì)抗網(wǎng)絡(luò)
753超分辨率生成對(duì)抗網(wǎng)絡(luò)
76基于視頻的動(dòng)作識(shí)別
761靜止視頻幀的動(dòng)作識(shí)別
762雙流CNN
763長(zhǎng)期遞歸卷積網(wǎng)絡(luò)
第8章深度學(xué)習(xí)工具和庫(kù)
81Caffe
82TensorFlow
83MatConvNet
84Torch7
85Theano
86Keras
87Lasagne
88Marvin
89Chainer
810PyTorch
第9章結(jié)束語(yǔ)
91本書概要
92未來(lái)研究方向
術(shù)語(yǔ)表
參考文獻(xiàn)