本书以深度学习在计算机视觉领域的常用技术与案例相结合的方式,深入浅出地介绍计算机视觉的常见任务及实现技术。全书共7章,内容包含概述、图像处理基本操作、深度学习视觉基础任务、基于FaceNet的人脸识别实战、基于 Faster R-CNN 的目标检测实战、基于 U-Net 的城市道路场景分割实战、基于SRGAN 的图像超分辨率技术实战等。本书大部分章包含操作实践代码和课后习题,希望能够帮助读者在计算机视觉基础任务中应用算法,巩固所学内容。 本书可以作为高校人工智能相关专业教材,也可以作为从事计算机视觉技术研究的从业者和科技人员的参考用书。对于有一定基础和经验的读者,本书也能帮助他们查漏补缺,深入理解和掌握相关原理及方法,提升解决实际问题的能力。

第 1章 概述 1 1.1 计算机视觉与深度学习 1 1.1.1 计算机视觉 2 1.1.2 深度学习 3 1.2 深度学习的计算机视觉应用 4 1.2.1 人脸识别 5 1.2.2 图像分类 5 1.2.3 目标检测 6 1.2.4 图像分割 6 1.2.5 姿态估计 7 1.2.6 场景识别 7 1.2.7 目标跟踪 8 1.2.8 动作识别 8 1.2.9 黑白照片自动着色 9 1.2.10 图像风格转移 9 1.3 相关Python库 10 1.3.1 深度学习框架 10 1.3.2 图像处理库 12 小结 13 课后习题 13 第 2章 图像处理基本操作 15 2.1 读写图像 15 2.1.1 常用图像类型 16 2.1.2 读取图像 17 2.1.3 显示图像 18 2.1.4 保存图像 20 2.2 图像颜色空间 20 2.2.1 常用颜色空间简介 20 2.2.2 颜色空间转换 22 2.3 图像几何变换 24 2.3.1 图像平移 24 2.3.2 图像缩放 25 2.3.3 图像旋转 32 2.3.4 图像仿射 34 2.4 图像增强 38 2.4.1 灰度级修正 39 2.4.2 图像平滑 47 2.4.3 图像锐化 51 小结 56 课后习题 57 第3章 深度学习视觉基础任务 59 3.1 深度神经网络 59 3.2 卷积神经网络 61 3.2.1 卷积层 63 3.2.2 池化层 64 3.2.3 全连接层 64 3.2.4 卷积神经网络训练过程 65 3.3 图像分类 67 3.3.1 图像分类简介 67 3.3.2 图像分类经典算法 68 3.3.3 训练图像分类网络 83 3.4 目标检测 86 3.4.1 目标检测简介 86 3.4.2 目标检测经典算法 88 3.4.3 训练目标检测网络 104 3.5 图像分割 111 3.5.1 图像分割简介 111 3.5.2 图像分割经典算法 113 3.5.3 训练图像分割网络 127 3.6 图像生成 132 3.6.1 图像生成简介 133 3.6.2 图像生成经典算法 134 3.6.3 训练图像生成器网络 144 小结 149 课后习题 149 第4章 基于FaceNet的人脸识别实战 152 4.1 背景与目标 152 4.1.1 背景 152 4.1.2 目标 154 4.1.3 项目工程结构 154 4.2 流程与步骤 155 4.2.1 人脸检测 156 4.2.2 人脸对齐 160 4.2.3 人脸特征提取 161 4.2.4 人脸特征匹配 164 4.3 结果分析 165 小结 167 课后习题 168 第5章 基于Faster R-CNN的目标检测实战 170 5.1 背景与目标 170 5.1.1 背景 170 5.1.2 目标 171 5.1.3 项目工程结构 171 5.2 流程与步骤 172 5.2.1 数据准备 172 5.2.2 定义Faster R-CNN配置信息类 174 5.2.3 生成先验锚框 174 5.2.4 定义损失函数 176 5.2.5 训练网络 180 5.3 结果分析 181 小结 183 课后习题 184 第6章 基于U-Net的城市道路场景分割实战 186 6.1 背景与目标 186 6.1.1 背景 186 6.1.2 目标 187 6.1.3 项目工程结构 188 6.2 流程与步骤 188 6.2.1 数据准备 189 6.2.2 搭建U-Net 191 6.2.3 定义损失函数 194 6.2.4 训练网络 195 6.3 结果分析 197 小结 199 课后习题 199 第7章 基于SRGAN的图像超分辨率技术实战 201 7.1 背景与目标 201 7.1.1 背景 201 7.1.2 目标 203 7.1.3 项目工程结构 203 7.2 流程与步骤 204 7.2.1 数据准备 204 7.2.2 搭建SRGAN 206 7.2.3 定义SRGAN损失函数 209 7.2.4 训练网络 210 7.3 结果分析 211 小结 213 课后习题 213