| |
|
|
| |
|
|
|
|
|
|
|
ISBN |
9787115627094 |
| 定价 |
RMB99.80 |
| 售价 |
RM109.80 |
|
优惠价 |
RM76.86 * (-30%)
|
|
作者 |
楊建華,李瑞峰
|
|
出版社 |
人民郵電出版社
|
|
出版日期 |
2023-12-01 |
|
装订 |
平裝. 無. 272 页. 26. |
| 库存量 |
購買後立即進貨
下单时可选择“空运”或“海运”（空运和海运需独立下单）。空运费每本书/CD是RM28.00。
空运需时8-11个工作天，海运需时约30个工作天。
（以上预计时间不包括出版社调货的时间以及尚未出版的预购商品）
库存有限或需要调货，订购时间可能延长。如无法订购则将通知进行退款。 |
| |
我要订购 有现货时通知我 |
| |
放入下次购买清单 |
| |
|
| |
|
|
|
| |
|
|
|
|
|
|
| |
|
|
| |
|
|
| |
|
|
| |
|
|
| |
|
|
| |
購買中國簡體書籍請注意：
1. 因裝幀品質及貨運條件未臻完善，中國簡體書可能有出現磨痕、凹痕、折痕等問題，故簡體字館除封面破損、內頁脫落、缺頁等較嚴重的狀態外，其餘所有商品將正常出貨。
|
|
| |
|
|
| |
|
|
| |
目錄
第1部分 背景知識
第1章 目標檢測架構淺析 2
1.1 目標檢測發展簡史 2
1.2 目標檢測網路框架概述 5
1.3 目標檢測網路框架淺析 5
1.3.1 骨幹絡 5
1.3.2 頸部網路 7
1.3.3 檢測頭 9
1.4 小結 10
第2章 常用的資料集 11
2.1 PASCAL VOC 資料集 11
2.2 MS COCO 資料集 12
2.3 小結 14
第2部分 學習YOLO框架
第3章 YOLOv1 16
3.1 YOLOv1 的網路結構 16
3.2 YOLOv1 的檢測原理 18
3.3 YOLOv1 的製作訓練正樣本的方法 21
3.3.1 邊界框的位置參數 tx、ty、w、h 21
3.3.2 邊界框的置信度 23
3.3.3 類別置信度 26
3.4 YOLOv1 的損失函數 26
3.5 YOLOv1 的前向推理 27
3.6 小結 29
第4章 搭建YOLOv1網路 30
4.1 改進 YOLOv1 30
4.1.1 改進骨幹絡 31
4.1.2 添加一個頸部網路 32
4.1.3 修改檢測頭 33
4.1.4 修改預測層 35
4.1.5 修改損失函數 37
4.2 搭建 YOLOv1 網路 37
4.2.1 搭建骨幹絡 39
4.2.2 搭建頸部網路 41
4.2.3 搭建檢測頭 41
4.2.4 YOLOv1 前向推理 41
4.3 YOLOv1 的後處理 44
4.3.1 求解預測邊界框的座標 44
4.3.2 後處理 46
4.4 小結 48
第5章 訓練YOLOv1網路 49
5.1 讀取 VOC 數據 49
5.2 數據預處理 56
5.2.1 基礎變換 56
5.2.2 資料增強 59
5.3 製作訓練正樣本 61
5.4 計算訓練損失 64
5.5 開始訓練 YOLOv1 67
5.6 視覺化檢測結果 74
5.7 使用 COCO 資料集 ( 選讀 ) 75
5.8 小結 76
第6章 YOLOv2 77
6.1 YOLOv2 詳解 77
6.1.1 引入批歸一化層 78
6.1.2 高解析度骨幹絡 78
6.1.3 先驗框機制 79
6.1.4 全卷積網路與先驗框機制 80
6.1.5 使用新的骨幹絡 81
6.1.6 基於 k 均值聚類演算法的先驗框聚類 82
6.1.7 融合高解析度特徵圖 84
6.1.8 多尺度訓練策略 85
6.2 搭建 YOLOv2 網路 87
6.2.1 搭建 DarkNet-19 網路 87
6.2.2 先驗框 91
6.2.3 搭建預測層 92
6.2.4 YOLOv2 的前向推理 92
6.3 基於 k 均值聚類演算法的先驗框聚類 95
6.4 基於先驗框機制的正樣本製作方法 96
6.4.1 基於先驗框的正樣本匹配策略 96
6.4.2 正樣本匹配的代碼 97
6.5 損失函數 103
6.6 訓練 YOLOv2 網路 105
6.7 視覺化檢測結果與計算 mAP 105
6.8 使用 COCO 資料集（選讀） 106
6.9 小結 108
第7章 YOLOv3 110
7.1 YOLOv3 解讀 110
7.1.1 更好的骨幹絡 : DarkNet-53 111
7.1.2 多級檢測與特徵金字塔 112
7.1.3 修改損失函數 116
7.2 搭建 YOLOv3 網路 118
7.2.1 搭建 DarkNet-53 網路 118
7.2.2 搭建頸部網路 121
7.2.3 搭建解耦檢測頭 123
7.2.4 多尺度的先驗框 125
7.2.5 YOLOv3 的前向推理 127
7.3 正樣本匹配策略 130
7.4 損失函數 133
7.5 數據預處理 133
7.5.1 保留長寬比的 resize 操作 133
7.5.2 馬賽克增強 136
7.5.3 混合增強 138
7.6 訓練 YOLOv3 140
7.7 測試 YOLOv3 140
7.8 小結 142
第8章 YOLOv4 143
8.1 YOLOv4 解讀 144
8.1.1 新的骨幹絡：CSPDarkNet-53 網路 144
8.1.2 新的特徵金字塔網路：PaFPN 146
8.1.3 新的資料增強：馬賽克增強 147
8.1.4 改進邊界框的解算公式 148
8.1.5 multi anchor 策略 149
8.1.6 改進邊界框的回歸損失函數 149
8.2 搭建 YOLOv4 網路 150
8.2.1 搭建 CSPDarkNet-53 網路 151
8.2.2 搭建基於 CSP 結構的 SPP 模組 153
8.2.3 搭建 PaFPN 結構 155
8.3 製作訓練正樣本 157
8.4 測試 YOLOv4 159
8.5 小結 161
第3部分 最新的YOLO框架
第9章 YOLOX 164
9.1 解讀 YOLOX 166
9.1.1 baseline 的選擇：YOLOv3 166
9.1.2 訓練 baseline 模型 166
9.1.3 改進一：解耦檢測頭 167
9.1.4 改進二：更強大的資料增強 168
9.1.5 改進三：anchor-free 機制 169
9.1.6 改進四：多正樣本 169
9.1.7 改進五：SimOTA 169
9.2 搭建 YOLOX 網路 173
9.2.1 搭建 CSPDarkNet-53 網路 173
9.2.2 搭建 PaFPN 結構 175
9.3 YOLOX 的標籤匹配：SimOTA 178
9.4 YOLOX 風格的混合增強 182
9.5 測試 YOLOX 185
9.6 小結 187
第10章 YOLOv7 188
10.1 YOLOv7 的骨幹絡 189
10.2 YOLOv7 的特徵金字塔網路 195
10.3 測試 YOLOv7 199
10.4 小結 200
第4部分 其他流行的目標檢測框架
第11章 DETR 204
11.1 解讀 DETR 205
11.1.1 骨幹絡 205
11.1.2 Transformer 的編碼器 208
11.1.3 Transformer 的解碼器 211
11.2 實現 DETR 217
11.2.1 DETR 網路 217
11.2.2 數據預處理 221
11.2.3 正樣本匹配 : Hungarian Matcher 222
11.2.4 損失函數 225
11.3 測試 DETR 檢測器 228
11.4 小結 228
第12章 YOLOF 230
12.1 YOLOF 解讀 232
12.1.1 YOLOF 的網路結構 232
12.1.2 新的正樣本匹配規則：Uniform Matcher 234
12.1.3 與其他先進工作的對比 236
12.2 搭建 YOLOF 237
12.2.1 搭建骨幹絡 238
12.2.2 搭建 DilatedEncoder 模組 241
12.2.3 搭建解碼器模組 242
12.2.4 數據預處理 244
12.2.5 正樣本匹配 : Uniform Matcher 246
12.2.6 損失函數 248
12.3 訓練 YOLOF 檢測器 250
12.4 測試 YOLOF 檢測器 250
12.5 計算 mAP 251
12.6 小結 251
第13章 FCOS 252
13.1 FCOS 解讀 253
13.1.1 FCOS 網路結構 253
13.1.2 正樣本匹配策略 255
13.1.3 損失函數 258
13.2 搭建 FCOS 258
13.2.1 搭建骨幹絡 259
13.2.2 正樣本匹配 262
13.3 測試 FCOS 檢測器 266
13.4 小結 267
參考文獻 268
後記 272 |
|
| |
|
|
| |
|
|
| |
|
|
| |
|
|
| |
楊建華，哈爾濱工業大學在讀博士，主要研究方向為基於視覺的目標檢測與人體時空行為分析，長期耕耘於多個知乎專欄（知乎ID：Kissrabbit）。 李瑞峰，哈爾濱工業大學教授、機器人研究所副所長，中國人工智慧學會智慧型機器人專業委員會秘書長，黑龍江省機器人學會理事長。 |
|
| |
|
|
| |
|
|
| |
|
|
|
