基於深度學習的目標檢測原理與應用

第1章 電腦視覺及目標檢測 1
1.1 電腦視覺原理 1
1.1.1 人類視覺與電腦視覺比較 1
1.1.2 電腦視覺應用展現 2
1.2 目標檢測概述 9
1.2.1 電腦視覺三大主要任務 9
1.2.2 目標檢測的應用 11
1.2.3 目標檢測面臨的挑戰 12
1.2.4 目標檢測方法 13
第2章 電腦視覺數學、編程基礎 15
2.1 向量、矩陣和捲積 15
2.1.1 向量 15
2.1.2 矩陣 16
2.1.3 捲積 16
2.2 函數極值理論與非極大值抑制 18
2.2.1 函數極值理論 19
2.2.2 非極大值抑制 21
2.3 跨平臺電腦視覺和機器學習軟件庫OpenCV 基礎 24
2.3.1 OpenCV的歷史起源 24
2.3.2 安裝OpenCV 24
2.3.3 OpenCV圖像和視頻的讀/寫 24
2.3.4 OpenCV基本操作 28
2.3.5 OpenCV顏色空間轉換 29
2.3.6 OpenCV幾何變換 31
2.3.7 OpenCV圖像簡單閾值處理 34
2.3.8 OpenCV形態學轉換 40
2.3.9 OpenCV圖像梯度 43
2.4 PyTorch基礎 46
2.4.1 PyTorch簡介 46
2.4.2 PyTorch安裝 47
2.4.3 張量 47
2.4.4 基本代碼操作 49
2.4.5 PIL圖像格式轉換 51
2.4.6 PyTorch自動求導機制 52
2.4.7 PyTorch的神經網絡nn包 55
第3章 OpenCV目標檢測實戰 60
3.1 Haar特徵與積分圖像構建算法 60
3.1.1 Haar特徵 60
3.1.2 積分圖像構建算法 65
3.2 AdaBoost應用於Haar人臉特徵分類 66
3.3 AdaBoost級聯應用於Haar特徵人臉檢測 70
3.4 利用OpenCV進行基於Haar特徵的人臉檢測實戰 73
第4章 深度學習引入及圖像分類實戰 75
4.1 捲積神經網絡的重要概念 75
4.2 捲積神經網絡訓練技巧及經典架構 79
4.3 設計捲積神經網絡進行圖像分類 82
4.4 選擇捲積神經網絡損失函數及優化器 85
4.5 改進捲積神經網絡以提高圖像分類準確率 88
第5章 目標檢測的兩階段深度學習方法 90
5.1 R-CNN目標檢測思想 90
5.1.1 目標檢測數據集 91
5.1.2 從滑動窗口到選擇搜索 91
5.1.3 R-CNN網絡架構及訓練過程 93
5.2 目標檢測指標——二分類器 97
5.3 R-CNN目標檢測模型評估結果 100
5.3.1 R-CNN用於細粒度類別檢測 108
5.3.2 R-CNN用於目標檢測與分割 109
5.4 R-CNN的缺陷和Fast R-CNN的改進 110
5.4.1 R-CNN的缺陷 110
5.4.2 感興趣區域池化 111
5.4.3 Fast R-CNN創新損失函數設計 113
5.5 Fast R-CNN網絡架構和模型評估 115
5.5.1 Fast R-CNN模型工作流程 115
5.5.2 Fast R-CNN網絡架構 116
5.5.3 RoI池化反向傳播方法 116
5.5.4 Fast R-CNN結果評估 117
5.6 Fast R-CNN的創新 118
5.6.1 Faster R-CNN的創新思想 118
5.6.2 替代選擇搜索的錨框 119
5.6.3 區域建議網絡 120
5.7 深入剖析Faster R-CNN中邊界框回歸 123
5.7.1 為什麽使用邊界框回歸 124
5.7.2 邊界框回歸的數學支撐 125
5.8 Faster R-CNN的全景架構和損失函數 127
5.9 Faster R-CNN的訓練步驟及測試步驟 129
5.9.1 Faster R-CNN的訓練步驟 129
5.9.2 Faster R-CNN的測試步驟 131
5.10 詳細講解Faster R-CNN關鍵部分RoI代碼 132
第6章 目標檢測的一階段學習方法 134
6.1 YOLO目標檢測思想 135
6.1.1 改進思想 136
6.1.2 網格單元 137
6.1.3 YOLO創新細節 138
6.2 YOLO的網絡結構、網絡與損失函數 140
6.2.1 YOLO的網絡結構 140
6.2.2 YOLO的網絡訓練與損失函數 142
6.3 YOLO模型評估、優劣勢分析 144
6.3.1 YOLO數據集 145
6.3.2 YOLO模型評估 145
6.3.3 YOLO模型優缺點 146
6.4 YOLOv2實現更好、更快、更強 149
6.5 YOLOv2改進YOLOv1——更好 149
6.5.1 批歸一化 150
6.5.2 高分辨率分類器 150
6.5.3 預設錨框並採用全捲積 150
6.5.4 框聚類 151
6.5.5 約束邊框位置 153
6.5.6 細粒度特徵 154
6.5.7 多尺度訓練 154
6.5.8 實驗對比 156
6.6 YOLOv2 使用Darknet-19——更快 158
6.6.1 Darknet-19 158
6.6.2 三階段訓練 159
6.6.3 YOLOv2的損失函數 161
6.7 使用WordTree的YOLO9000——更強 164
6.7.1 組合兩種數據集的必要性 164
6.7.2 構建WordTree進行分層分類 165
6.7.3 在組合數據集上訓練YOLO9000 167
第7章 YOLOv3創新思想及整體架構 170
7.1 YOLOv3的創新改進 170
7.2 YOLOv3的關鍵創新點 171
7.2.1 106層的Darknet-53主乾網絡架構 171
7.2.2 三級檢測 176
7.2.3 更擅長檢測較小的物體 177
7.2.4 更多的錨框 177
7.2.5 損失函數 178
7.3 YOLOv3的三級檢測輸出過程 179
7.4 YOLOv3的非極大值抑制 183
7.5 YOLOv3的檢測效果 184
7.6 SSD多尺度特徵圖目標檢測思想 185
7.7 SSD網絡架構 191
7.7.1 SSD網絡基礎架構 191
7.7.2 擴張捲積 192
7.7.3 SSD與YOLOv3 193
7.7.4 SSD網絡檢測物體方法 193
7.8 SSD網絡損失函數 194
7.8.1 默認框匹配策略 194
7.8.2 損失函數 195
7.9 SSD較YOLOv3的劣勢 196
第8章 構建Darknet-53網絡實踐 198
8.1 Darknet-53網絡工程結構和配置 198
8.2 實踐代碼 200
8.3 構建Darknet-53網絡前向傳遞過程 203
8.3.1 構建Darknet-53的模塊 203
8.3.2 Darknet-53的模塊詳解 205
8.4 YOLOv3 實現檢測層特徵圖到邊界的預測值轉變 209
8.4.1 參數講解 209
8.4.2 實現步驟和代碼 210
8.5 YOLOv3 演示邊框生成過程 212
8.6 YOLOv3 處理低閾值邊框 214
8.6.1 思路講解 215
8.6.2 代碼實踐 215
8.7 YOLOv3 非極大值抑制過程 218
8.7.1 延續上一節代碼講解NMS過程 219
8.7.2 NMS後的整理 220
8.8 YOLOv3演示NMS過程找到最優框 220
8.8.1 運行檢測代碼演示 220
8.8.2 運行結果分析 221
8.9 YOLOv3實現工業工具檢測 224
8.9.1 YOLOv3工業實踐需求分析及目標分析 225
8.9.2 數據採集標註與數據預處理部分 226
8.9.3 模型訓練部分 230
8.9.4 模型優化部分 239
第9章 YOLOv4目標檢測方法 240
9.1 YOLOv4目標檢測創新路徑及技巧體系 240
9.1.1 速度與精度雙提升 240
9.1.2 YOLOv4技巧匯總 240
9.2 YOLOv4大型網絡架構及其主要創新改進 246
9.2.1 空間金字塔結構 246
9.2.2 路徑增強網絡 247
9.2.3 使用YOLOv4的網絡詳情 248
9.2.4 CSPDarknet-53網絡 254
9.2.5 YOLOv4網絡全景關系 255
9.3 YOLOv4中的激活函數 256
9.3.1 各激活函數的比較 256
9.3.2 keras實現三種激活函數性能比較 260
9.4 YOLOv4中的損失函數C-IoU 263
9.4.1 L1和L2損失的缺陷 264
9.4.2 IoU和IoU損失 264
9.4.3 G-IoU、D-IoU和C-IoU 265
9.5 YOLOv4中的新型批標準化 268
9.5.1 各種批標準化 268
9.5.2 跨迭代標準化 270
第10章 EfficientDet目標檢測方法 272
10.1 復合縮放 272
10.2 雙向特徵金字塔網絡 274
10.3 EfficientDet體系結構 276
10.3.1 輸入圖像分辨率縮放 276
10.3.2 BiFPN縮放 277
10.3.3 框/類預測網絡縮放 277
10.3.4 主乾網 277
10.4 EfficientDet推理效果和不足之處 279
10.4.1 EfficientDet推理效果 279
10.4.2 EfficientDet不足之處 282
參考文獻 284