计算机视觉与PYTORCH项目实战:基于深度学习框架的端到端产品级模型设计与开发

简明目录 第1章 计算机视觉的基础构成 第2章 图像分类 第3章 构建目标检测模型 第4章 构建图像分割模型 第5章 基于图像的搜索和推荐系统 第6章 姿态估计 第7章 图像异常检测 第8章 图像超分辨率 第9章 视频分析 第10章 计算机视觉的可解释AI 详细目录 第1章 计算机视觉的基本构成 001 1.1 什么是计算机视觉 002 1.1.1 应用 002 1.1.2 通道 005 1.1.3 卷积神经网络 007 1.1.4 了解CNN架构类型 014 1.1.5 掌握深度学习模型 021 1.1.6 PyTorch简介 024 1.2 小结 026 第2章 图像分类 027 2.1 本章所涵盖的主题 028 2.2 方法概述 028 2.3 创建图像分类流程 029 2.3.1 **个基本模型 030 2.3.2 数据 030 2.3.3 数据探索 032 2.3.4 数据加载器 033 2.3.5 定义模型 035 2.3.6 训练过程 040 2.3.7 基本模型的第二种变体 044 2.3.8 基本模型的第三种变体 046 2.3.9 基本模型的第四种变体 052 2.7 小结 053 第3章 构建目标检测模型 055 3.1 使用Boosted Cascade进行目标检测 056 3.2 R-CNN 058 3.2.1 区域候选网络 059 3.2.2 快速区域卷积神经网络 062 3.2.3 候选区域网络的工作原理 063 3.2.4 锚框生成层 064 3.2.5 候选区域层 065 3.3 Mask R-CNN 065 3.4 YOLO 066 3.5 YOLO V2/V3 068 3.6 项目代码片段 069 3.7 小结 082 第4章 构建图像分割模型 083 4.1 图像分割 084 4.2 PyTorch预训练支持 086 4.2.1 语义分割 086 4.2.2 实例分割 089 4.3 模型优化 090 4.4 小结 106 第5章 基于图的搜索和推荐系统 107 5.1 问题陈述 107 5.2 方法和方法论 108 5.3 实现 109 5.3.1 数据集 109 5.3.2 安装和导入库 110 5.3.3 导入和理解数据 111 5.3.4 特征工程 114 5.3.5 计算相似度和排名 121 5.3.6 可视化推荐结果 122 5.3.7 从用户处接收图输入并推荐相似产品 125 5.4 小结 128 第6章 姿态估计 129 6.1 自顶向下的方法 130 6.2 自底向上的方法 130 6.3 OpenPose 131 6.3.1 分支1 131 6.3.2 分支2 131 6.4 HRNet 133 6.5 Higher HRNet 135 6.6 PoseNet 136 6.6.1 PoseNet工作机制 136 6.6.2 PoseNet的优点和缺点 140 6.6.3 姿态估计的应用 140 6.6.4 在杂货店视频上进行的测试用例 140 6.7 实现 141 6.8 小结 148 第7章 图像异常检测 149 7.1 异常检测 149 7.2 方法1：使用预训练的分类模型 151 7.3 方法2：使用自编码器 165 7.4 小结 168 第8章 图像超分辨率 169 8.1 利用*近邻概念放大图像 170 8.2 理解双线性插值 171 8.3 变分自编码器 172 8.4 生成式对抗网络 176 8.5 模型代码 177 8.6 模型开发 177 8.7 运行应用程序 188 8.8 小结 190 第9章 视频分析 191 9.1 问题陈述 192 9.2 方法 194 9.3 实现 195 9.3.1 数据 196 9.3.2 把视频上传到Google Colab 197 9.3.3 将视频转换为一系列图像 197 9.3.4 图像提取 198 9.3.5 数据预处理 198 9.3.6 确定杂货店中的热点 200 9.3.7 导入图像 203 9.3.8 获取人群计数 203 9.3.9 安保与监控 205 9.3.10 确定人口统计学特征(年龄和性别) 208 9.4 小结 210 第10章 计算机视觉的可解释AI 211 10.1 Grad-CAM 212 10.2 Grad-CAM++ 213 10.3 NBDT 214 10.4 Grad-CAM和Grad-CAM++的实现 216 10.4.1 在单个图像上的Grad-CAM和Grad-CAM++实现 216 10.4.2 在单个图像上的NBDT实现 219 10.5 小结 221