卷积神经网络与计算机视觉

译者序

前言

致谢

作者简介

第1章简介

11什么是计算机视觉

111应用案例

112图像处理与计算机视觉

12什么是机器学习

121为什么需要深度学习

13本书概览

第2章特征和分类器

21特征和分类器的重要性

211特征

212分类器

22传统特征描述符

221方向梯度直方图

222尺度不变特征变换

223加速健壮特征

224传统的手工工程特征的局限性

23机器学习分类器

231支持向量机

232随机决策森林

24总结

第3章神经网络基础

31引言

32多层感知机

321基础架构

322参数学习

33循环神经网络

331基础架构

332参数学习

34与生物视觉的关联

341生物神经元模型

342神经元的计算模型

343人工神经元与生物神经元

第4章卷积神经网络

41引言

42神经网络层

421预处理

422卷积层

423池化层

424非线性

425全连接层

426转置卷积层

427感兴趣区域的池化层

428空间金字塔池化层

429局部特征聚合描述符层

4210空间变换层

43CNN损失函数

431交叉熵损失函数

432SVM铰链损失函数

433平方铰链损失函数

434欧几里得损失函数

4351误差

436对比损失函数

437期望损失函数

438结构相似性度量

第5章CNN学习

51权重初始化

511高斯随机初始化

512均匀随机初始化

513正交随机初始化

514无监督的预训练

515泽维尔(Xavier)初始化

516ReLU敏感的缩放初始化

517层序单位方差

518有监督的预训练

52CNN的正则化

521数据增强

522随机失活

523随机失连

524批量归一化

525集成模型平均

5262正则化

5271正则化

528弹性网正则化

529最大范数约束

5210早停

53基于梯度的CNN学习

531批量梯度下降

532随机梯度下降

533小批量梯度下降

54神经网络优化器

541动量

542涅斯捷罗夫动量

543自适应梯度

544自适应增量

545RMSprop

546自适应矩估计

55CNN中的梯度计算

551分析微分法

552数值微分法

553符号微分法

554自动微分法

56通过可视化理解CNN

561可视化学习的权重

562可视化激活

563基于梯度的可视化

第6章CNN架构的例子

61LeNet

62AlexNet

63NiN

64VGGnet

65GoogleNet

66ResNet

67ResNeXt

68FractalNet

69DenseNet

第7章CNN在计算机视觉中的应用

71图像分类

711PointNet

72目标检测与定位

721基于区域的CNN

722快速RCNN

723区域建议网络

73语义分割

731全卷积网络

732深度反卷积网络

733DeepLab

74场景理解

741DeepContext

742从RGBD图像中学习丰富的特征

743用于场景理解的PointNet

75图像生成

751生成对抗网络

752深度卷积生成对抗网络

753超分辨率生成对抗网络

76基于视频的动作识别

761静止视频帧的动作识别

762双流CNN

763长期递归卷积网络

第8章深度学习工具和库

81Caffe

82TensorFlow

83MatConvNet

84Torch7

85Theano

86Keras

87Lasagne

88Marvin

89Chainer

810PyTorch

第9章结束语

91本书概要

92未来研究方向

术语表

参考文献