[套装书]深度学习之人脸图像处理：核心算法与案例实战+Python深度学习实战：基于TensorFlow和Keras的聊天机器人以及人脸、物体和语音识别（2册）

作者
言有三 纳温·库马尔·马纳西
丛书名
出版社
机械工业出版社
ISBN
9782007271450
简要
简介
内容简介书籍计算机书籍 ---------------------------深度学习之人脸图像处理：核心算法与案例实战--------------------------- 本书全面、系统地介绍了深度学习技术在人脸图像处理领域中的应用。书中不但有人脸图像处理算法的详细介绍，更有实际案例带领读者上手练习。 本书共11章，第1章介绍了人脸图像与特征基础；第2章介绍了深度学习的基础知识；第3章介绍了人脸数据集；第4章介绍了人脸检测技术；第5章介绍了人脸关键点检测；第6章介绍了人脸识别技术；第7章介绍了人脸属性识别；第8章介绍了人脸属性分割技术；第9章介绍了人脸美颜与美妆；第10章介绍了人脸三维重建；第11章介绍了人脸属性编辑。 本书适合计算机视觉领域中人脸图像处理从业人员和爱好者阅读，也适深度学习算法爱好者阅读。 ---------------------------Python深度学习实战：基于TensorFlow和Keras的聊天机器人以及人脸、物体和语音识别--------------------------- 本书讨论使用TensorFlow和Keras等框架构建深度学习应用程序，集中于所需的模型和算法，帮助你在短时间内提高实践技能。内容涵盖了聊天机器人、自然语言处理、人脸和对象识别等主题。目标是提供创建能够执行深度学习的程序所需的概念、技术和算法实现。
目录



---------------------------深度学习之人脸图像处理：核心算法与案例实战---------------------------


前言
第1章 人脸图像与特征基础 1
1.1 人脸图像基础 1
1.1.1 人脸图像的特点 1
1.1.2 人脸图像的应用 2
1.2 人脸特征基础 2
1.2.1 几何特征 3
1.2.2 颜（肤）色特征 3
1.2.3 纹理特征 5
1.3 人脸图像工程常用的机器学习算法 8
1.3.1 SVM简介 8
1.3.2 AdaBoost简介 12
第2章 深度学习基础 15
2.1 神经网络 15
2.1.1 神经元模型 15
2.1.2 感知机 16
2.1.3 BP算法 17
2.2 卷积神经网络基础 20
2.2.1 卷积操作 20
2.2.2 反卷积操作 21
2.2.3 卷积神经网络的基本概念 22
2.2.4 卷积神经网络的核心思想 24
2.2.5 卷积神经网络基本结构配置 25
2.3 深度学习优化基础 28
2.3.1 激活模型与常用激活函数 29
2.3.2 参数初始化方法 35
2.3.3 归一化方法 37
2.3.4 池化 42
2.3.5 最优化方法 43
2.3.6 学习率策略 47
2.3.7 正则化方法 50
2.4 深度学习主流开源框架介绍 53
2.4.1 Caffe简介 54
2.4.2 TensorFlow简介 54
2.4.3 PyTorch简介 55
2.4.4 Theano简介 56
2.4.5 Keras简介 56
2.4.6 MXNet简介 57
2.4.7 Chainer简介 57
参考文献 58
第3章 人脸数据集 60
3.1 人脸检测数据集 60
3.1.1 通用人脸检测数据集 60
3.1.2 复杂人脸检测数据集 62
3.2 关键点检测数据集 63
3.3 人脸识别数据集 65
3.3.1 人脸识别图像数据集 65
3.3.2 人脸识别视频数据集 69
3.3.3 三维人脸识别数据集 69
3.3.4 人脸识别其他数据集 70
3.4 人脸属性分析数据集 70
3.4.1 通用人脸属性分析数据集 70
3.4.2 人脸表情数据集 71
3.4.3 人脸年龄与性别数据集 73
3.4.4 人脸分割数据集 74
3.4.5 人脸颜值数据集 76
3.4.6 人脸妆造数据集 76
3.5 人脸姿态与3D数据集 77
3.5.1 人脸姿态数据集 77
3.5.2 人脸三维重建数据集 78
3.6 人脸活体与伪造数据集 79
3.6.1 人脸活体数据集 79
3.6.2 人脸伪造数据集 81
3.7 人脸风格化数据集 81
第4章 人脸检测 83
4.1 目标检测基础 83
4.1.1 目标检测基本流程 83
4.1.2 选择检测窗口 84
4.1.3 提取图像特征 84
4.1.4 设计分类器 85
4.2 经典人脸检测算法 86
4.2.1 人脸检测问题 87
4.2.2 人脸肤色模型 87
4.2.3 人脸形状模型与模板匹配 88
4.2.4 特征分类算法 88
4.2.5 DPM方法 91
4.3 深度学习通用目标检测方法 93
4.3.1 OverFeat方法 94
4.3.2 Selective search与R-CNN方法 94
4.3.3 SPPNet与Fast R-CNN方法 96
4.3.4 Faster R-CNN与R-FCN方法 99
4.3.5 YOLO方法 101
4.3.6 SSD方法 104
4.3.7 基于角点的检测方法 105
4.3.8 目标检测中的几个关键技术和难点 106
4.4 深度学习人脸检测核心技术 109
4.4.1 人脸组件算法 109
4.4.2 级联检测算法 110
4.4.3 多尺度人脸检测算法 114
4.4.4 遮挡人脸检测算法 118
4.4.5 活体与伪造人脸检测算法 119
4.5 实战Faster R-CNN人脸检测 120
4.5.1 项目背景 120
4.5.2 py-faster-rcnn框架解读 120
4.5.3 模型定义与分析 134
4.5.4 模型训练 143
4.5.5 模型测试 144
参考文献 146
第5章 人脸关键点检测 149
5.1 关键点检测基础 149
5.1.1 关键点的定义 149
5.1.2 关键点的点数发展 150
5.1.3 关键点检测算法评价 153
5.1.4 人脸姿态 154
5.2 传统人脸关键点检测方法 154
5.2.1 ASM、AAM与CLM算法 155
5.2.2 级联形状回归算法 157
5.3 深度学习方法 158
5.3.1 级联框架 158
5.3.2 多任务联合框架 160
5.3.3 遮挡与大姿态问题 162
5.4 实时人脸关键点检测实践 163
5.4.1 数据集和基准模型 163
5.4.2 模型训练 164
5.4.3 模型测试 169
5.5 小结 171
参考文献 171
第6章 人脸识别 173
6.1 人脸识别基础 173
6.1.1 人脸识别基本流程 173
6.1.2 人脸识别评估 173
6.1.3 传统人脸识别特征 174
6.2 深度学习人脸识别核心技术 177
6.2.1 度量学习 177
6.2.2 多类别分类学习 180
6.2.3 人脸分类优化目标的发展 182
6.3 人脸识别算法面临的挑战和未来 186
6.3.1 遮挡人脸识别 186
6.3.2 跨姿态人脸识别 187
6.3.3 跨年龄人脸识别 188
6.3.4 妆造不变人脸识别 189
6.3.5 异质源人脸识别 190
6.3.6 其他问题 190
6.3.7 小结 191
6.4 实战人脸识别模型训练 192
6.4.1 数据准备与接口封装 192
6.4.2 模型训练 198
6.4.3 模型测试 204
6.4.4 小结 208
参考文献 208
第7章 人脸属性识别 211
7.1 人脸性别识别 211
7.1.1 人脸性别识别方法 211
7.1.2 人脸性别识别发展与挑战 212
7.2 人脸颜值与脸型识别 212
7.2.1 平均脸和脸型分类 212
7.2.2 人脸颜值与脸型特征 213
7.2.3 应用和挑战 214
7.3 人脸年龄识别 214
7.3.1 人脸年龄估计模型 215
7.3.2 传统年龄估计方法 216
7.3.3 深度学习年龄估计方法 216
7.3.4 小结 218
7.4 人脸表情识别 218
7.4.1 概述 218
7.4.2 传统表情识别算法 219
7.4.3 深度学习方法 221
7.4.4 挑战与展望 222
7.5 人脸属性识别项目实践 223
7.5.1 表情识别 223
7.5.2 年龄识别 229
7.5.3 总结 233
参考文献 234
第8章 人脸属性分割 236
8.1 图像分割的基础与人脸属性分割的应用 236
8.1.1 图像分割的含义 236
8.1.2 经典的图像分割方法 236
8.1.3 人脸属性分割的应用 238
8.2 深度学习图像分割核心技术 239
8.2.1 反卷积 239
8.2.2 图像分割经典模型 241
8.2.3 感受野控制、上下文信息与多尺度结构 243
8.2.4 图像分割后处理技术 246
8.2.5 图像分割中的难题 247
8.3 轻量级人脸分割项目实践 248
8.3.1 数据集与基准模型 249
8.3.2 模型训练与测试 250
8.3.3 小结 254
参考文献 255
第9章 人脸美颜与美妆 257
9.1 美颜基础和应用场景 257
9.1.1 五官重塑 257
9.1.2 磨皮、美白与肤质调整 258
9.1.3 上妆 258
9.2 基于滤波与变形的传统美颜算法 259
9.2.1 基于变形的五官重塑 259
9.2.2 基于滤波的磨皮算法 261
9.2.3 基于肤色模型的美白与肤质调整算法 263
9.2.4 小结 264
9.3 妆造迁移算法 264
9.3.1 传统妆造迁移算法 264
9.3.2 深度学习算法 266
9.4 妆造迁移算法实战 270
9.4.1 项目解读 270
9.4.2 模型训练 282
9.4.3 模型测试 284
参考文献 286
第10章 人脸三维重建 287
10.1 三维重建基础 287
10.1.1 常见三维重建技术 287
10.1.2 人脸三维重建的特点和难点 288
10.1.3 人脸三维重建基础技术 289
10.2 传统三维人脸重建技术 290
10.2.1 多目立体视觉匹配 290
10.2.2 3DMM 294
10.2.3 Shape from Shading 297
10.2.4 Structure from Motion 298
10.3 深度学习三维人脸重建 298
10.3.1 基于3DMM的方法 298
10.3.2 基于端到端的通用模型 300
10.3.3 三维人脸重建的难点 301
10.4 深度学习三维人脸重建实践 302
10.4.1 BFM模型的使用 302
10.4.2 基于BFM模型的常见三维特征 315
10.4.3 PRNet三维重建 318
10.4.4 小结 324
参考文献 325
第11章 人脸属性编辑 327
11.1 人脸属性编辑基础 327
11.1.1 人脸属性编辑应用 327
11.1.2 基于模型的人脸编辑 329
11.2 深度学习人脸属性编辑方法 329
11.2.1 GAN基础 330
11.2.2 图像风格化 334
11.2.3 表情编辑算法 336
11.2.4 年龄编辑算法 338
11.2.5 姿态编辑算法 339
11.2.6 人脸风格化算法 341
11.2.7 换脸算法 344
11.2.8 统一的人脸属性编辑框架 345
11.2.9 小结 347
11.3 实战人脸动画头像风格化 347
11.3.1 项目解读 348
11.3.2 模型训练 358
11.3.3 模型测试 358
参考文献 361



---------------------------Python深度学习实战：基于TensorFlow和Keras的聊天机器人以及人脸、物体和语音识别---------------------------


序
第1章　TensorFlow基础 1
1.1　张量 2
1.2　计算图与会话 2
1.3　常量、占位符与变量 4
1.4　占位符 6
1.5　创建张量 8
1.5.1　固定张量 9
1.5.2　序列张量 11
1.5.3　随机张量 11
1.6　矩阵操作 12
1.7　激活函数 13
1.7.1　双曲正切函数与Sigmoid函数 13
1.7.2　ReLU与ELU 15
1.7.3　ReLU6 15
1.8　损失函数 17
1.8.1　损失函数实例 18
1.8.2　常用的损失函数 18
1.9　优化器 19
1.9.1　优化器实例 20
1.9.2　常用的优化器 21
1.10　度量 21
1.10.1　度量实例 22
1.10.2　常用的度量 22
第2章　理解并运用Keras 25
2.1　深度学习模型构建的主要步骤 25
2.1.1　载入数据 26
2.1.2　预处理数据 27
2.1.3　定义模型 27
2.1.4　编译模型 29
2.1.5　拟合模型 29
2.1.6　评估模型 30
2.1.7　预测 30
2.1.8　保存与重载模型 31
2.1.9　可选：总结模型 31
2.2　改进Keras模型的附加步骤 32
2.3　Keras联合TensorFlow 33
第3章　多层感知机 35
3.1　人工神经网络 35
3.2　单层感知机 37
3.3　多层感知机 37
3.4　逻辑斯谛回归模型 38
第4章　TensorFlow中的回归到MLP 45
4.1　TensorFlow搭建模型的步骤 45
4.2　TensorFlow中的线性回归 46
4.3　逻辑斯谛回归模型 49
4.4　TensorFlow中的多层感知机 52
第5章　Keras中的回归到MLP 55
5.1　对数-线性模型 55
5.2　线性回归的Keras神经网络 56
5.3　逻辑斯谛回归 58
5.3.1 scikit-learn逻辑斯谛回归 58
5.3.2 逻辑斯谛回归的Keras神经网络 59
5.3.3 流行的MNIST数据：Keras中的逻辑斯谛回归 60
5.4　基于Iris数据的MLP 62
5.4.1　编写代码 62
5.4.2 构建一个序列Keras模型 63
5.5 基于MNIST数据的MLP数字分类 66
5.6　基于随机生成数据的MLP 68
第6章　卷积神经网络 71
6.1　CNN中的各种层 71
6.2　CNN结构 74
第7章　TensorFlow中的CNN 77
7.1 为什么用TensorFlow搭建CNN模型 77
7.2 基于MNIST数据集搭建图片分类器的TensorFlow代码 78
7.3　使用高级API搭建CNN模型 82
第8章　Keras中的CNN 83
8.1 在Keras中使用MNIST数据集搭建图片分类器 83
8.1.1　定义网络结构 85
8.1.2　定义模型架构 85
8.2 使用CIFAR-10数据集搭建图片分类器 86
8.2.1　定义网络结构 87
8.2.2　定义模型架构 88
8.3　预训练模型 89
第9章　RNN与LSTM 91
9.1　循环神经网络的概念 91
9.2　长短时记忆网络的概念 93
9.3　LSTM常见模式 93
9.4　序列预测 94
9.4.1　数字序列预测 94
9.4.2　序列分类 95
9.4.3　序列生成 95
9.4.4　序列到序列预测 95
9.5 利用LSTM模型处理时间序列预测问题 96
第10章　语音-文本转换及其逆过程 101
10.1　语音-文本转换 101
10.2　语音数据 102
10.3 语音特征：将语音映射为矩阵 103
10.4 声谱图：将语音映射为图像 104
10.5 利用MFCC特征构建语音识别分类器 104
10.6 利用声谱图构建语音识别分类器 105
10.7　开源方法 106
10.8　使用API的例子 107
10.8.1　使用PocketSphinx 107
10.8.2 使用Google Speech API 108
10.8.3 使用Google Cloud Speech API 108
10.8.4　使用Wit.ai API 108
10.8.5　使用Houndify API 109
10.8.6 使用IBM Speech to Text API 109
10.8.7 使用Bing Voice Recognition API 110
10.9　文本-语音转换 110
10.9.1　使用pyttsx 110
10.9.2　使用SAPI 111
10.9.3　使用SpeechLib 111
10.10　音频剪辑代码 111
10.11　认知服务提供商 112
10.11.1　Microsoft Azure 113
10.11.2　Amazon Cognitive Services 113
10.11.3　IBM Watson Services 113
10.12　语音分析的未来 113
第11章　创建聊天机器人 115
11.1　为什么是聊天机器人 116
11.2　聊天机器人的设计和功能 116
11.3　构建聊天机器人的步骤 116
11.3.1　预处理文本和消息 117
11.3.2 用API构建聊天机器人 130
11.4 聊天机器人开发的最佳实践 133
11.4.1　了解潜在用户 133
11.4.2 读入用户情感使得机器人情感更丰富 133
第12章　人脸检测与识别 135
12.1 人脸检测、人脸识别与人脸分析 135
12.2　OpenCV 136
12.2.1　特征脸 137
12.2.2　LBPH 137
12.2.3　费歇脸 138
12.3　检测人脸 139
12.4　跟踪人脸 141
12.5　人脸识别 144
12.6　基于深度学习的人脸识别 147
12.7　迁移学习 149
12.7.1 为什么要用迁移学习 150
12.7.2　迁移学习实例 150
12.7.3　计算迁移值 152
12.8　API 158
附录1　图像处理的Keras函数 161
附录2　可用的优质图像数据集 165
附录3　医学成像：DICOM文件格式 167



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4