[套装书]深度学习之人脸图像处理：核心算法与案例实战+深度学习之图像识别：核心技术与案例实战（2册）

作者
言有三
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。 ---------------------------深度学习之图像识别：核心技术与案例实战--------------------------- 本书是一本讲述深度学习在计算机视觉领域的书籍，为机器学习和深度学习相关领域中需要学习图像识别和处理技术的读者量身定做。本书非常详尽地讲述了深度学习的各个知识点，包括深度学习卷积神经网络的理论知识、深度学习中的数据，以及图像分类、图像分割和目标检测等三大图像基础应用；另外还介绍了深度学习的数据可视化和模型可视化、深度学习中的常用损失函数、模型压缩以及深度学习模型部署的前后端基础知识。 本书从第4章开始，每章都配置有一到两个难易程度不同的案例，让读者在实践中更好地掌握相关领域的技术细节。读者在读完每章的理论知识后，就可以紧接着进行实践，并在已有代码的基础上进行修改和改进，从而理论与实践结合进行系统性的学习。
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



---------------------------深度学习之图像识别：核心技术与案例实战---------------------------


前言
第1章 神经网络基础 1
1.1 神经网络的生物基础与数学模型 1
1.1.1 神经元 1
1.1.2 感知机 2
1.1.3 BP算法 6
1.2 卷积神经网络基础 10
1.2.1 卷积神经网络的基本结构 11
1.2.2 卷积与权值共享 13
1.2.3 感受野与池化 14
第2章 深度学习优化基础 17
2.1 深度学习主流开源框架 17
2.1.1 Caffe简介 18
2.1.2 TensorFlow简介 18
2.1.3 PyTorch简介 19
2.1.4 Theano简介 20
2.1.5 Keras简介 20
2.1.6 MXNet简介 21
2.1.7 Chainer简介 21
2.2 网络优化参数 22
2.2.1 常用激活函数 22
2.2.2 参数初始化方法 26
2.2.3 最优化方法 27
2.2.4 归一化方法 31
2.2.5 正则化方法 33
第3章 深度学习中的数据 36
3.1 深度学习通用数据集的发展 36
3.1.1 MNIST数据集 36
3.1.2 CIFAR10和CIFAR100数据集 37
3.1.3 PASCAL数据集 38
3.1.4 ImageNet数据集 38
3.1.5 Microsoft COCO数据集 39
3.2 常见的计算机视觉任务数据集 40
3.2.1 人脸数据集 40
3.2.2 自动驾驶数据集 52
3.2.3 医学数据集 55
3.3 数据增强 59
3.3.1 有监督数据增强 60
3.3.2 无监督数据增强 63
3.4 数据的收集与标注 65
3.4.1 数据收集 65
3.4.2 数据标注 67
3.4.3 数据清洗与整理 68
第4章 图像分类 70
4.1 图像分类基础 70
4.1.1 图像分类问题 70
4.1.2 深度学习图像分类发展简史 72
4.1.3 评测指标与优化目标 75
4.1.4 图像分类的挑战 76
4.2 移动端实时表情分类实战 77
4.2.1 项目背景 78
4.2.2 数据预处理 80
4.2.3 项目方案 82
4.2.4 模型训练与测试 84
4.2.5 项目总结 88
4.3 细粒度图像分类实战 89
4.3.1 项目背景 89
4.3.2 项目方案 90
4.3.3 模型训练与测试 92
4.3.4 参数调试 97
4.3.5 项目总结 102
第5章 图像分割 103
5.1 传统图像分割方法 103
5.1.1 阈值法 103
5.1.2 区域生长法与超像素 105
5.1.3 图切割 105
5.1.4 活动轮廓模型 106
5.2 深度学习图像分割 109
5.2.1 基本流程 110
5.2.2 反卷积 110
5.2.3 多尺度与感受野 112
5.2.4 CRF方法 113
5.2.5 Image Matting与图像融合 114
5.3 移动端实时图像分割项目 115
5.3.1 项目背景 115
5.3.2 项目方案 116
5.3.3 模型训练与总结 126
5.4 一个实时肖像换背景项目 127
5.4.1 项目背景 127
5.4.2 项目方案 128
5.4.3 模型训练与测试 134
5.4.4 项目总结 138
第6章 目标检测 139
6.1 目标检测基础 139
6.1.1 检测窗口选择 140
6.1.2 特征提取 141
6.1.3 分类器 142
6.1.4 V-J人脸检测算法 143
6.2 深度学习目标检测方法 145
6.2.1 Selective search与R-CNN 146
6.2.2 RoI Pooling与SPPNet 147
6.2.3 Fast R-CNN与Faster R-CNN 149
6.2.4 YOLO方法 152
6.2.5 SSD方法 154
6.2.6 目标检测中的关键技术 155
6.3 实战Faster-R-CNN目标检测 157
6.3.1 项目背景 157
6.3.2 py-faster-rcnn框架解读 157
6.3.3 模型定义与分析 170
6.3.4 模型训练与测试 180
6.3.5 项目总结 183
第7章 数据与模型可视化 185
7.1 数据可视化 185
7.1.1 低维数据可视化 185
7.1.2 高维数据可视化 187
7.2 模型可视化 190
7.2.1 模型结构可视化 190
7.2.2 模型权重可视化 198
7.2.3 特征图可视化 201
7.3 可视化案例 202
7.3.1 项目背景 202
7.3.2 数据接口定义 204
7.3.3 网络结构定义 205
7.3.4 可视化代码添加 207
7.3.5 可视化训练指标 207
第8章 模型压缩 209
8.1 模型压缩方法 209
8.1.1 模型设计压缩 210
8.1.2 网络剪枝与量化 213
8.1.3 张量分解 216
8.1.4 模型蒸馏与迁移学习 216
8.2 模型压缩实战 218
8.2.1 网络分析 220
8.2.2 输入尺度和第一层卷积设计 224
8.2.3 网络宽度与深度压缩 226
8.2.4 弥补通道损失 228
8.2.5 总结 230
第9章 损失函数 231
9.1 分类任务损失 231
9.1.1 什么是0-1 loss 231
9.1.2 熵与交叉熵loss 231
9.1.3 softmax loss及其变种 232
9.1.4 KL散度 237
9.1.5 Hinge loss简介 237
9.1.6 Exponential loss与Logistic loss 237
9.1.7 多标签分类任务loss 238
9.2 回归任务损失 238
9.2.1 L1 loss与L2 loss 238
9.2.2 L1 loss与L2 loss的改进 239
9.3 常见图像任务与loss使用 240
9.3.1 图像基础任务 240
9.3.2 风格化与图像复原，超分辨重建 240
9.3.3 生成对抗网络 241
9.3.4 总结 245
第10章 模型部署与上线 246
10.1 微信小程序前端开发 246
10.1.1 小程序的技术特点与定位 246
10.1.2 Web前端基础 248
10.1.3 小程序开发工具 251
10.1.4 小程序前端 252
10.1.5 小程序前端开发 254
10.2 微信小程序服务端开发 260
10.2.1 域名注册与管理 260
10.2.2 服务端框架简介 261
10.2.3 算法搭建与实现 262
10.3 Caffe环境配置 264
10.3.1 依赖库安装 264
10.3.2 Caffe编译安装 266



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4