本书自成一体，如果你既想了解CNN的原理，又想获得将CNN应用于计算机视觉的一手经验，那么本书将非常适合阅读。书中对CNN进行了全面介绍，首先是神经网络的基本概念：训练、正则化和优化。然后讨论了各种各样的损失函数、网络层和流行的CNN架构，回顾了评价CNN的不同技术，并介绍了一些常用的CNN工具和库。此外，本书还分析了CNN在计算机视觉中的应用案例，包括图像分类、对象检测、语义分割、场景理解和图像生成。

---作者简介--- 萨尔曼•汗（Salman Khan） 澳大利亚国立大学讲师，联邦科学与工业研究组织（CSIRO）研究科学家。 侯赛因•拉哈马尼（Hossein Rahmani） 西澳大利亚大学计算机科学与软件工程学院研究员。 赛义德•阿法克•阿里•沙（Syed Afaq Ali Shah） 西澳大利亚大学计算机科学与软件工程学院副研究员。 穆罕默德•本纳努恩（Mohammed Bennamoun） 西澳大利亚大学教授，曾任计算机科学与软件工程学院院长。 ---译者简介--- 黄智濒 北京邮电大学计算机学院讲师，博士，主要研究方向为计算机视觉和三维可视化。 戴志涛 北京邮电大学计算机学院教授，主要研究方向为深度学习加速器和嵌入式系统。

译者序
前言
致谢
作者简介
第1章简介
11什么是计算机视觉
111应用案例
112图像处理与计算机视觉
12什么是机器学习
121为什么需要深度学习
13本书概览
第2章特征和分类器
21特征和分类器的重要性
211特征
212分类器
22传统特征描述符
221方向梯度直方图
222尺度不变特征变换
223加速健壮特征
224传统的手工工程特征的局限性
23机器学习分类器
231支持向量机
232随机决策森林
24总结
第3章神经网络基础
31引言
32多层感知机
321基础架构
322参数学习
33循环神经网络
331基础架构
332参数学习
34与生物视觉的关联
341生物神经元模型
342神经元的计算模型
343人工神经元与生物神经元
第4章卷积神经网络
41引言
42神经网络层
421预处理
422卷积层
423池化层
424非线性
425全连接层
426转置卷积层
427感兴趣区域的池化层
428空间金字塔池化层
429局部特征聚合描述符层
4210空间变换层
43CNN损失函数
431交叉熵损失函数
432SVM铰链损失函数
433平方铰链损失函数
434欧几里得损失函数
4351误差
436对比损失函数
437期望损失函数
438结构相似性度量
第5章CNN学习
51权重初始化
511高斯随机初始化
512均匀随机初始化
513正交随机初始化
514无监督的预训练
515泽维尔(Xavier)初始化
516ReLU敏感的缩放初始化
517层序单位方差
518有监督的预训练
52CNN的正则化
521数据增强
522随机失活
523随机失连
524批量归一化
525集成模型平均
5262正则化
5271正则化
528弹性网正则化
529最大范数约束
5210早停
53基于梯度的CNN学习
531批量梯度下降
532随机梯度下降
533小批量梯度下降
54神经网络优化器
541动量
542涅斯捷罗夫动量
543自适应梯度
544自适应增量
545RMSprop
546自适应矩估计
55CNN中的梯度计算
551分析微分法
552数值微分法
553符号微分法
554自动微分法
56通过可视化理解CNN
561可视化学习的权重
562可视化激活
563基于梯度的可视化
第6章CNN架构的例子
61LeNet
62AlexNet
63NiN
64VGGnet
65GoogleNet
66ResNet
67ResNeXt
68FractalNet
69DenseNet
第7章CNN在计算机视觉中的应用
71图像分类
711PointNet
72目标检测与定位
721基于区域的CNN
722快速RCNN
723区域建议网络
73语义分割
731全卷积网络
732深度反卷积网络
733DeepLab
74场景理解
741DeepContext
742从RGBD图像中学习丰富的特征
743用于场景理解的PointNet
75图像生成
751生成对抗网络
752深度卷积生成对抗网络
753超分辨率生成对抗网络
76基于视频的动作识别
761静止视频帧的动作识别
762双流CNN
763长期递归卷积网络
第8章深度学习工具和库
81Caffe
82TensorFlow
83MatConvNet
84Torch7
85Theano
86Keras
87Lasagne
88Marvin
89Chainer
810PyTorch
第9章结束语
91本书概要
92未来研究方向
术语表
参考文献