《深度学习之PyTorch物体检测实战》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,**介绍了Faster RCNN、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,《深度学习之PyTorch物体检测实战》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**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。 《深度学习之PyTorch物体检测实战》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Faster RCNN;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。 《深度学习之PyTorch物体检测实战》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,《深度学习之PyTorch

(因字数所限,部分章节只给出了二级目录,完整目录请查看华章网站) 第1篇 物体检测基础知识 第1章 浅谈物体检测与PyTorch 2 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 1.3 PyTorch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PyTorch 19 1.3.4 安装方法 20 1.4 基础知识准备 22 1.4.1 Linux基础 22 1.4.2 Python基础 24 1.4.3 **开发工具 29 1.5 总结 36 第2章 PyTorch基础 37 2.1 基本数据:Tensor 37 2.1.1 Tensor数据类型 37 2.1.2 Tensor的创建与维度查看 39 2.1.3 Tensor的组合与分块 41 2.1.4 Tensor的索引与变形 42 2.1.5 Tensor的排序与取极值 46 2.1.6 Tensor的自动广播机制与向量化 46 2.1.7 Tensor的内存共享 47 2.2 Autograd与计算图 48 2.2.1 Tensor的自动求导:Autograd 49 2.2.2 计算图 50 2.2.3 Autograd注意事项 51 2.3 神经网络工具箱torch.nn 52 2.3.1 nn.Module类 52 2.3.2 损失函数 55 2.3.3 优化器nn.optim 56 2.4 模型处理 59 2.4.1 网络模型库:torchvision.models 59 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 2.5.3 GPU加速 65 2.5.4 数据可视化 66 2.6 总结 68 第3章 网络骨架:Backbone 69 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 3.1.4 Dropout层 76 3.1.5 BN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(Dilated Convolution) 82 3.2 走向深度:VGGNet 83 3.3 纵横交错:Inception 87 3.4 里程碑:ResNet 93 3.5 继往开来:DenseNet 95 3.6 特征金字塔:FPN 99 3.7 为检测而生:DetNet 106 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:Faster RCNN 112 4.1 RCNN系列发展历程 112 4.2 准备工作 114 4.3 Faster RCNN总览 115 4.4 详解RPN 117 4.5 RoI Pooling层 127 4.6 全连接RCNN模块 130 4.7 Faster RCNN的改进算法 131 4.8 总结 141 第5章 单阶多层检测器:SSD 142 5.1 SSD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 5.5 SSD的改进算法 157 5.6 总结 166 第6章 单阶经典检测器:YOLO 167 6.1 无锚框预测:YOLO v1 167 6.2 依赖锚框:YOLO v2 171 6.3 多尺度与特征融合:YOLO v3 180 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:SqueezeNet 188 7.2 深度可分离:MobileNet 191 7.3 通道混洗:ShuffleNet 200 7.4 总结 207 第8章 物体检测细节处理 209 8.1 非极大值**:NMS 209 8.2 样本不均衡问题 217 8.3 模型过拟合 224 8.4 总结 229 ......

适读人群 :PyTorch框架爱好者、物体检测相关从业人员、自动驾驶从业人员、深度学习和计算机视觉领域的研究人员、深度学习培训机构的学员、高校学生
百度自动驾驶**算法工程师重磅力作 长江学者特聘教授王田苗、百度自动驾驶技术总监陶吉等7位专家力荐 提供完整的源代码文件及相关的论文导引 系统介绍物体检测的相关概念、发展和经典实现方法 用PyTorch从代码角度详解Faster RCNN、SSD和YOLO三个经典检测器 详细讲解物体检测的轻量化网络、细节处理、难点问题及未来发展趋势 7位重量级大咖力荐: 教育部长江学者特聘教授 王田苗 百度自动驾驶技术总监 陶吉 百度自动驾驶前事业部主任架构师 夏添 商汤科技研发总监 武伟 义柏资本技术专家 丁宁 旷视研究院研究员 朱本金 阿里巴巴达摩院视觉工程师 唐家声 一分钟了解《深度学习之PyTorch物体检测实战》: 学习物体检测需要哪些基础知识? 如何成为PyTorch框架的“老司机”? 怎样理解Faster RCNN、SSD与YOLO? 什么是Anchor与NMS?该如何改进? 如何实现轻量化检测网络? 如何缓解样本不均衡与过拟合问题? 如何解决多尺度检测与拥挤遮挡检测? 物体检测未来的发展趋势如何? 如何选择适合自己应用的检测器? …… 通过阅读《深度学习之PyTorch物体检测实战》,你将获得这些复杂问题的基本答案,并能较为全面地掌握物体检测技术。 《深度学习之PyTorch物体检测实战》核心内容: 理论基础: 物体检测发展历程 PyTorch框架基础知识 多种网络骨架:Backbone 物体检测三大经典框架: 两阶经典检测器:Faster RCNN 单阶多层检测器:SSD 单阶经典检测器:YOLO 物体检测深入分析: 压缩再扩展:SqueezeNet 深度可分离:MobileNet 通道间混洗:ShuffleNet 非极大值**:NMS 样本不均衡问题 模型过拟合 多尺度物体检测 拥挤与遮挡检测 Anchor-Free思想 物体检测发展趋势 超值赠送: 源代码(需要下载)