《深度学习与图像识别：原理与实践》内容简介

本书是一本有关人工智能图像识别应用开发与实践指导类的教材，主要介绍图像处理应用项目开发的基本流程、图像识别处理应用项目关键技术。本书直击当今研究热点，选择有代表性的专题项目而且尽量避免复杂的数学推导，易于读者理解，专注于实战。详细介绍了numpy，knn，线性回归，逻辑回归，神经网络在图像识别上的应用，并为后一部分的深度学习做好铺垫。同时，针对每一个项目介绍项目的应用及意义，该项目的数据特征分析、识别系统设计、图像预处理技术、特征提取技术，以及识别方法等。书中实例程序的框架结构简单，代码简洁，读者可在数字图像处理技术的基础上进一步深化学习内容，提高实践应用能力和项目开发能力。
魏溪含，涂铭，张修鹏编著

作品目录

前言
第1章：机器视觉在行业中的应用
1.1、机器视觉的发展背景
1.2、机器视觉的主要应用场景
1.3、本章小结
第2章：图像识别前置技术
2.1、深度学习框架
2.2、搭建图像识别开发环境
2.3、Numpy使用详解
2.4、本章小结
第3章：图像分类之KNN算法
3.1、KNN的理论基础与实现
3.2、图像分类识别预备知识
3.3、KNN实战
3.4、模型参数调优
3.5、本章小结
第4章：机器学习基础
4.1、线性回归模型
4.2、逻辑回归模型
4.3、本章小结
第5章：神经网络基础
5.1、神经网络
5.2、输出层
5.3、批处理
5.4、广播原则
5.5、损失函数
5.6、最优化
5.7、基于数值微分的反向传播
5.8、基于测试集的评价
5.9、本章小结
第6章：误差反向传播
6.1、激活函数层的实现
6.2、Affine层的实现
6.3、Softmaxwithloss层的实现
6.4、基于数值微分和误差反向传播的比较
6.5、通过反向传播实现MNIST识别
6.6、正则化惩罚
6.7、本章小结
第7章：PyTorch实现神经网络图像分类
7.1、PyTorch的使用
7.2、PyTorch实战
7.3、本章小结
第8章：卷积神经网络
8.1、卷积神经网络基础
8.2、常见卷积神经网络结构
8.3、VGG16实现Cifar10分类
8.4、本章小结
第9章：目标检测
9.1、定位+分类
9.2、目标检测
9.3、SSD实现VOC目标检测
9.4、本章小结
第10章：分割
10.1、语义分割
10.2、实例分割
10.3、本章小结
第11章：产生式模型
11.1、自编码器
11.2、对抗生成网络
11.3、DCGAN及实战
11.4、其他GAN
11.5、本章小结
第12章：神经网络可视化
12.1、卷积核
12.2、特征层
12.3、图片风格化
12.4、本章小结
第13章：图像识别算法的部署模式
13.1、图像算法部署模式介绍
13.2、实际应用场景和部署模式的匹配
13.3、案例介绍
13.4、本章小结