本书对二维、三维目标检测技术涉及的骨干网络及入门 的计算机视觉算法进行全面的介绍。本书由浅入深地介绍了MNIST、ImageNet、CIFAR、波士顿房产、ModelNet等经典二维、三维数据集和相关 赛事，还介绍了TensorFlow中的二维卷积层、全连接层、激活层、池化层、批次归一化层、随机失活层的算法和梯度下降原理，AlexNet、VGG、ResNet、DarkNet、CSP-DarkNet等经典骨干网络的设计原理，以及PointNet、GCN等三维计算机视觉神经网络。此外，本书通过设计巧妙且具体的案例，让读者稳步建立扎实的编程能力，包括数据集的制作和解析、神经网络模型设计能力和开销估算、损失函数的设计、神经网络的动态模式和静态模式的训练方法和过程控制、神经网络的边缘计算模型量化、神经网络的云计算部署。完成本书的学习，读者可以继续阅读与本书紧密衔接的《深入理解计算机视觉：在边缘端构建高效的目标检测系统》，将所学的计算机视觉基础知识运用到目标检测的神经网络设计中，对边缘计算环境下的神经网络进行游刃有余的调整。
目录：
第1篇 计算机视觉开发环境的搭建 1
第1章 Python编程环境 2
第2章 搭建三层的图像分类神经网络 7
第2篇 计算机视觉模型从实验室到生产环境的部署 15
第3章 图片数据集的处理 16
第4章 迁移学习和神经网络的设计 35
第5章 损失函数的基础原理 42
第6章 神经网络的编译和训练 58
第7章 TensorFlow模型的部署方式 74
第3篇 神经网络的数学原理和TensorFlow计算框架 95
第8章 神经网络训练的数学原理和优化器 96
第9章 神经网络的编程范式和静态图转化机制 122
第4篇 神经网络层的算法原理和训练过程控制 144
第5篇 目标检测中的骨干网络 244
第6篇 三维计算机视觉入门和实战 371
点击下载