深度學習之PyTorch物體檢測實戰(zhàn)

（因字數所限，部分章節(jié)只給出了二級目錄，完整目錄請查看華章網站）

第1篇  物體檢測基礎知識

第1章  淺談物體檢測與PyTorch     2

1.1  深度學習與計算機視覺      2

1.1.1  發(fā)展歷史   2

1.1.2  計算機視覺       7

1.2  物體檢測技術      9

1.2.1  發(fā)展歷程   10

1.2.2  技術應用領域   11

1.2.3  評價指標   12

1.3  PyTorch簡介 17

1.3.1  誕生與特點       17

1.3.2  各大深度學習框架對比   17

1.3.3  為什么選擇PyTorch 19

1.3.4  安裝方法   20

1.4  基礎知識準備      22

1.4.1  Linux基礎 22

1.4.2  Python基礎       24

1.4.3  高效開發(fā)工具   29

1.5  總結      36

第2章  PyTorch基礎  37

2.1  基本數據：Tensor 37

2.1.1  Tensor數據類型 37

2.1.2  Tensor的創(chuàng)建與維度查看 39

2.1.3  Tensor的組合與分塊 41

2.1.4  Tensor的索引與變形 42

2.1.5  Tensor的排序與取極值    46

2.1.6  Tensor的自動廣播機制與向量化    46

2.1.7  Tensor的內存共享    47

2.2  Autograd與計算圖      48

2.2.1  Tensor的自動求導：Autograd 49

2.2.2  計算圖       50

2.2.3  Autograd注意事項   51

2.3  神經網絡工具箱torch.nn    52

2.3.1  nn.Module類     52

2.3.2  損失函數   55

2.3.3  優(yōu)化器nn.optim 56

2.4  模型處理      59

2.4.1  網絡模型庫：torchvision.models     59

2.4.2  加載預訓練模型       60

2.4.3  模型保存   61

2.5  數據處理      61

2.5.1  主流公開數據集       61

2.5.2  數據加載   63

2.5.3  GPU加速   65

2.5.4  數據可視化       66

2.6  總結      68

第3章  網絡骨架：Backbone    69

3.1  神經網絡基本組成      69

3.1.1  卷積層       70

3.1.2  激活函數層       72

3.1.3  池化層       75

3.1.4  Dropout層 76

3.1.5  BN層 77

3.1.6  全連接層   79

3.1.7  深入理解感受野       81

3.1.8  詳解空洞卷積（Dilated Convolution）   82

3.2  走向深度：VGGNet    83

3.3  縱橫交錯：Inception   87

3.4  里程碑：ResNet   93

3.5  繼往開來：DenseNet   95

3.6  特征金字塔：FPN       99

3.7  為檢測而生：DetNet   106

3.8  總結      110

第2篇  物體檢測經典框架

第4章  兩階經典檢測器：Faster RCNN  112

4.1  RCNN系列發(fā)展歷程   112

4.2  準備工作      114

4.3  Faster RCNN總覽 115

4.4  詳解RPN      117

4.5  RoI Pooling層      127

4.6  全連接RCNN模塊      130

4.7  Faster RCNN的改進算法    131

4.8  總結      141

第5章  單階多層檢測器：SSD 142

5.1  SSD總覽      142

5.2  數據預處理   144

5.3  網絡架構      148

5.4  匹配與損失求解   154

5.5  SSD的改進算法  157

5.6  總結      166

第6章  單階經典檢測器：YOLO     167

6.1  無錨框預測：YOLO v1      167

6.2  依賴錨框：YOLO v2   171

6.3  多尺度與特征融合：YOLO v3   180

6.4  總結      183

第3篇  物體檢測的難點與發(fā)展

第7章  模型加速之輕量化網絡 186

7.1  壓縮再擴展：SqueezeNet    188

7.2  深度可分離：MobileNet     191

7.3  通道混洗：ShuffleNet 200

7.4  總結      207

第8章  物體檢測細節(jié)處理 209

8.1  非極大值抑制：NMS  209

8.2  樣本不均衡問題   217

8.3  模型過擬合   224

8.4  總結      229

......