计算机视觉——飞桨深度学习实战 pdf下载

本书在介绍深度学习、百度飞桨等相关知识的基础上，着重介绍了图像分类、目标检测、语义分割、人体关键点检测、图像生成、视频分类、图像文本检测和识别、图像识别等计算机视觉任务的实现原理及深度学习模型框架，并通过具体案例来详细介绍各任务的实现细节。

全书分为理论篇和实战篇。理论篇（第1～4章）梳理了计算机视觉技术的发展历程、主要任务、行业应用系统，同时简要介绍了深度学习开发框架、飞桨（PaddlePaddle）开发平台，以及深度学习的基础知识与网络模型架构。实战篇（第5～12章）结合计算机视觉的各个任务要求与技术发展，对其中经典的深度学习算法模型进行介绍。全书提供了实例代码，详解了在飞桨开发框架下各任务的模型实现过程。

本书适合作为高等院校人工智能、计算机视觉专业高年级本科生、研究生的教材，同时可作为计算机视觉相关任务实践教程，也可以作为科研工作者的参考书籍。

理论篇

第1章计算机视觉概述

1.1计算机视觉技术的发展

1.2计算机视觉任务概述

1.2.1计算机视觉经典任务

1.2.2计算机视觉常见任务

1.3计算机视觉处理应用系统

1.3.1计算机视觉行业产业链

1.3.2计算机视觉行业应用系统

1.4计算机视觉处理常用工具

1.4.1OpenCV简介

1.4.2OpenCVPython

1.4.3OpenCV的基础模块

1.4.4其他CV常用工具

1.5本章小结

参考文献

第2章深度学习开发框架

2.1常见的深度学习开发框架

2.1.1TensorFlow深度学习开发框架

2.1.2PyTorch深度学习开发框架

2.1.3PaddlePaddle深度学习开发框架

2.2飞桨基础

2.2.1开发环境

2.2.2开发套件

2.2.3工具组件

2.2.4开发平台

2.3本章小结

参考文献

第3章深度学习算法基础

3.1机器学习

3.2神经网络的基本组成

3.2.1神经元

3.2.2神经网络的结构

3.3神经网络的计算

3.3.1激活函数

3.3.2正向传播

3.3.3反向传播

3.3.4优化算法

3.4卷积神经网络的基本组成

3.4.1卷积层

3.4.2池化层

3.4.3ReLU激活函数

3.4.4全连接层

3.5深度学习模型的训练技巧

3.5.1归一化

3.5.2丢弃法

3.5.3权重衰减

3.5.4参数初始化

3.6本章小结

参考文献

第4章深度学习网络模型

4.1深度学习网络架构

4.2代表性的网络模型

4.2.1卷积神经网络模型

4.2.2循环神经网络模型

4.2.3Transformer网络模型

4.2.4复杂MLP网络模型

4.3网络搭建案例

4.3.1环境准备

4.3.2数据准备

4.3.3模型构建

4.3.4模型训练与验证

4.3.5模型可视化

4.4本章小结

参考文献

实战篇

第5章图像分类算法原理与实战

5.1图像分类任务的基本介绍

5.1.1图像分类技术的发展

5.1.2图像分类的评价指标

5.2基于残差的网络

5.2.1ResNet模型

5.2.2DenseNet模型

5.2.3DPN模型

5.3基于Transformer的网络

5.3.1ViT模型

5.3.2SwinTransformer模型

5.4轻量化的网络

5.4.1MobileNet模型

5.4.2PPLCNet模型

5.5飞桨实现图像分类案例

5.5.1环境安装与配置

5.5.2数据准备

5.5.3模型构建

5.5.4模型训练

5.5.5模型预测

5.6本章小结

参考文献

第6章目标检测算法原理与实战

6.1目标检测任务基本介绍

6.1.1目标检测技术的发展

6.1.2目标检测的评价指标

6.2Faster RCNN基本解析

6.2.1RCNN系列

6.2.2Faster RCNN整体架构

6.2.3Faster RCNN主要特点

6.3SSD基本解析

6.3.1SSD基本架构

6.3.2SSD主要特点

6.4YOLOv3基本解析

6.4.1YOLO系列

6.4.2YOLOv3主要特点

6.5FCOS基本解析

6.5.1FCOS基本架构

6.5.2FCOS主要特点

6.5.3损失函数的设计

6.5.4FCOS的优缺点

6.6DETR基本解析

6.6.1DETR基本结构

6.6.2DETR主要特点

6.7飞桨实现目标检测案例

6.7.1环境准备

6.7.2数据读取与增强

6.7.3模型构建

6.7.4模型训练

6.7.5模型测试与可视化

6.8本章小结

参考文献

第7章语义分割算法原理与实战

7.1语义分割任务的基本介绍

7.1.1语义分割的发展

7.1.2语义分割的评价指标

7.2深度学习语义分割基础网络

7.2.1FCN模型

7.2.2SegNet模型

7.2.3UNet模型

7.3语义分割网络的系列改进

7.3.1空洞可分离卷积： DeepLabv3+

7.3.2低层细节信息保留： RefineNet

7.3.3全局语义特征聚合： OCRNet

7.4飞桨实现语义分割案例

7.4.1环境准备

7.4.2数据准备与预处理

7.4.3模型构建

7.4.4模型训练

7.4.5模型验证与评估

7.5本章小结

参考文献

第8章人体关键点检测原理与实战

8.1人体关键点检测任务的基本介绍

8.1.1人体关键点检测的发展

8.1.2人体关键点检测的评价指标

8.2人体关键点检测的经典方法

8.2.1模板匹配

8.2.2贝叶斯估计

8.3多尺度人体姿态检测方法

8.3.1Hourglass模型架构

8.3.2一阶Hourglass模块

8.3.3多阶Hourglass网络

8.4高分辨率人体姿态估计方法

8.4.1HRNet模型

8.4.2HigherHRNet 模型

8.5人体姿态识别OpenPose

8.5.1卷积姿态机CPM

8.5.2OpenPose架构

8.6飞桨实现人体关键点检测案例

8.6.1环境准备

8.6.2数据集准备

8.6.3模块导入

8.6.4数据集定义

8.6.5模型构建

8.6.6损失函数定义

8.6.7模型训练

8.6.8模型预测

8.7本章小结

参考文献

第9章图像生成算法原理与实战

9.1图像生成任务的基本介绍

9.1.1图像生成应用与发展

9.1.2图像生成的评价指标

9.2基于图像生成的图像转换： Pix2Pix

9.3基于图像生成的风格迁移： CycleGAN

9.3.1CycleGAN的网络结构

9.3.2CycleGAN的循环训练流程

9.4基于图像生成算法的图像属性控制： StyleGAN

9.4.1StyleGANv1的网络结构与训练技巧

9.4.2StyleGANv1对隐空间耦合度的量化

9.4.3StyleGANv2的改进

9.5飞桨实现图像生成案例

9.5.1环境准备

9.5.2数据读取与预处理

9.5.3模型构建

9.5.4模型训练

9.5.5模型验证与评估

9.5.6模型测试

9.6本章小结

参考文献

第10章视频分类原理与实战

10.1视频分类任务的基本介绍

10.1.1视频分类的应用与发展

10.1.2视频分类任务的评价指标

10.2基于时序划分的双流网络

10.2.1TSN模型

10.2.2SlowFast模型

10.3基于时序移位的类3D网络： TSM

10.3.1类3D思想

10.3.2网络设计

10.4基于自注意力机制的网络

10.4.1Nonlocal模型

10.4.2TimeSformer模型

10.5飞桨实现视频分类案例

10.5.1环境准备

10.5.2数据读取与预处理

10.5.3模型构建

10.5.4模型训练

10.5.5模型验证与评估

10.5.6模型测试

10.6本章小结

参考文献

第11章图像文本检测和识别原理与实战

11.1图像文本检测和识别任务的基本介绍

11.1.1OCR任务的应用与发展

11.1.2OCR任务的评价指标

11.2文本检测算法

11.2.1小尺度文本检测算法： CTPN

11.2.2场景文本检测算法： EAST

11.2.3任意形状文本检测器： SAST

11.2.4二值化检测模型： DBNet

11.3文本识别算法

11.3.1基于卷积循环神经网络的识别模型： CRNN

11.3.2基于空间注意力残差网络的识别模型： STARNet

11.3.3具有自动校正功能的鲁棒识别模型： RARE

11.3.4基于语义推理网络的识别模型： SRN

11.4端到端ORC方法

11.4.1FOTS模型

11.4.2PGNet模型

11.5飞桨实现OCR案例

11.5.1环境准备

11.5.2数据读取与预处理

11.5.3模型构建

11.5.4CTC Loss

11.5.5训练配置

11.5.6模型训练

11.5.7验证前准备

11.5.8开始验证

11.6本章小结

参考文献

第12章图像识别原理与实战

12.1图像识别系统任务流程基本概述

12.1.1图像识别任务基本介绍

12.1.2百度飞桨图像识别系统简介

12.2目标检测模块

12.3特征学习模块

12.3.1度量学习算法原理及主要内容

12.3.2深度度量学习常见算法框架

12.3.3百度飞桨中深度度量学习应用

12.4特征检索系统

12.4.1特征检索系统介绍

12.4.2特征检索原理介绍

12.5飞桨实现图像识别应用案例

12.5.1环境配置

12.5.2已知类别的图像识别

12.5.3商品识别与检索

12.5.4基于新的索引库的图像识别

12.6本章小结

参考文献

2022年我们经历了新型冠状病毒感染的反复无常、国际形势的瞬息万变，也感受了冬季奥运会的中国式浪漫，希望一切都朝着好的方向发展，一起向未来。回首整个书稿撰写历程，有对章节内容安排的困惑、对案例选择的迷茫； 也有团队协作的喜悦、内容逐步明晰的踏实。

计算机视觉(Computer Vision，CV)主要研究如何用机器来代替人类的眼睛和大脑实现对真实世界的“观察”和“理解”。在深度学习网络模型不断发展的同时，互联网上的图像数据规模有了爆发性的增长，图形处理单元(Graphic Processing Unit，GPU)性能也飞速提升，三者合力为人类带来了一场席卷全球的计算机视觉深度学习热潮。在学术界，人脸识别、目标检测等相关任务的算法得到了很好的理论优化； 在产业界，由深度学习驱动的计算机视觉已经广泛应用于智慧城市建设、医疗健康、电商与实体零售、无人驾驶等各类场景，逐步成为计算机视觉行业的支撑力量。

本书将计算机视觉及深度学习的理论基础与代码实践相结合，可以作为计算机视觉相关任务实践教程，也可以作为科研工作者的参考图书。本书内容涵盖各类计算机视觉任务的深度学习模型、案例实践基本流程和步骤。通过本书，读者可以掌握计算机视觉处理的基本概念、评价指标，熟悉视觉处理任务的具体实现过程。

全书共分为12章，分为理论篇与实战篇两部分。

第一部分为理论篇(第1～4章)，首先梳理了计算机视觉技术的发展历程、主要任务、行业应用系统和常用处理工具； 其次详细介绍了目前比较流行的深度学习开发框架，重点介绍了飞桨(PaddlePaddle)开发平台的构成与入门基础； 然后介绍了深度学习中需要掌握的基础知识与网络模型架构； 最后通过简单的模型搭建案例，让读者能够轻松地入门飞桨平台。

第二部分为实战篇(第5～12章)，每章分别对应计算机视觉领域中不同的经典任务，并且结合各个视觉任务的任务要求与技术发展，对其中经典的深度学习算法模型进行介绍。然后，详解了在飞桨开发框架下各算法模型的实现过程，让读者能够快速地从基础入门到熟练掌握。各章节的内容都采用理论与实践相结合的方式，在模型介绍的基础上，结合具体案例提供了相应的实现代码，在百度飞桨AI Studio上进行部署和运行，链接详见配套课件。读者在阅读本书的同时，可以进行代码实战，加深对计算机视觉任务的深度学习理论及模型的理解。

在国家“新一代人工智能发展规划”的重大战略指导下，计算机视觉技术迎来了前所未有的机遇与发展。本书编写的初衷是推动计算机视觉技术的教育，以及为深度学习平台自主性、国产化贡献一份力量。

本书由来自北京航空航天大学和百度公司的几位多年从事计算机视觉科研和教学的工作者共同编写完成，书中的内容和结构安排经过了我们团队多轮讨论和审定，实战案例及相关代码来源于百度飞桨社区和作者相关的科研实践。

参与本书编写的有张磊、李宏、王瑜、王麒雄、李森、姜鸿翔、魏晓东、胡宇韬、吴承曦、于阳、洪友勰、张可昕、于子淇、武东锟、楚天彤、肖雄。

本书在编写过程中，参考了国内外大量图书和论文，在此对本书所引用论文和图书的作者深表感谢。同时，感谢飞桨社区的luplup、月影知星辰、nanting03、自尊心3、ZMpursue、PaddleVideo、GTZhang以及Gitee平台的dongshuilong，感谢你们为飞桨框架下的代码做出的贡献； 感谢飞桨团队程军、吕健、吴蕾对书中实战案例与相关代码的审核和编写建议； 感谢百度公司马婧对本书撰写过程中所有事务的处理。

最后，感谢北京航空航天大学宇航学院的刘博老师、深圳市塞外科技有限公司的黄明先生，感谢你们百忙中对本书撰写的指导和建议，虽然书稿还存在不足之处，但你们让它变得更好！

作者2022年9月