计算机视觉：Python+TensorFlow+Keras深度学习实战（微课视频版）

　　人工智能正在成为全世界产业变革的方向，处于第四次科技革命的核心地位。计算机视觉（Computer Vision）就是利用摄像机、算法和计算资源为人工智能系统按上“眼睛”，让其可以拥有人类的双眼所具有的前景与背景分割、物体识别、目标跟踪、判断决策等功能。计算机视觉系统可以让计算机看见并理解这个世界的“信息”，从而替代人类完成重复性工作。目前计算机视觉领域热门的研究方向有物体检测与识别、语义分割、目标跟踪等。《计算机视觉：Python+TensorFlow+Keras深度学习实战（微课视频版）》围绕着计算机视觉的关键技术，介绍基于深度学习计算机视觉的基础理论及主要算法。《计算机视觉：Python+TensorFlow+Keras深度学习实战（微课视频版）》结合常见的应用场景和项目实例，循序渐进地带领读者进入美妙的计算机视觉世界。《计算机视觉：Python+TensorFlow+Keras深度学习实战（微课视频版）》共分为11章，第1章为人工智能概述；第2～5章介绍计算机视觉的几种关键技术，即图像分类、目标检测、图像分割和目标跟踪，并将这四项关键技术组合完成人工智能的实际应用；第6、7章介绍人工智能的两个典型应用：文字检测与识别系统及多任务深度学习系统；第8章介绍一种非常有意思的深度学习网络——对抗生成神经网络；第9章介绍制作训练和测试样本的方法；第10章介绍如何安装TensorFlow、KerasAPI及相关介绍；第11章介绍综合实验。《计算机视觉：Python+TensorFlow+Keras深度学习实战（微课视频版）》提供了大量项目实例及代码解析，均是基于Python语言及TensorFlow、KerasAPI的。《计算机视觉：Python+TensorFlow+Keras深度学习实战（微课视频版）》的每章均配有微课视频，扫描书中的二维码，可观看作者的视频讲解。《计算机视觉：Python+TensorFlow+Keras深度学习实战（微课视频版）》不仅可以作为大学计算机及相关专业的教材，也适合自学者及人工智能开发人员参考使用。《计算机视觉：Python+TensorFlow+Keras深度学习实战（微课视频版）》作者根据在计算机视觉领域多年的研发经验编写了《计算机视觉》一书。《计算机视觉：Python+TensorFlow+Keras深度学习实战（微课视频版）》理论与实践并重，收集并整理了国内外的新科研成果，结合实际项目实例，循序渐进地引导读者进入美妙的计算机视觉世界，基于Python语言及TensorFlow、KerasAPI，配备了大量的源代码及代码解析，帮助广大初学者掌握计算机视觉系统的开发方法。《计算机视觉：Python+TensorFlow+Keras深度学习实战（微课视频版）》特点：项目带领，任务驱动教、学、做一体，注重读者工程实践能力的培养以读者认知过程为导向设计教材逻辑与章节内容介绍新近科研成果，使读者了解计算机视觉领域的前沿技术开源全套代码资源，配备详细视频讲解，助力初学者快速入门

　　袁雪，北京交通大学教授、博士生导师，曾任日本SECOM东京研究院研究员。从事人工智能、计算机视觉技术的教学与科研工作，在智能监控、车载视觉环境感知、基于视觉的表面缺陷检测、运输载体故障诊断等方向有着多年的科研经验。近年来主持国家自然科学基金、北京市科委重点研发专项等***、省部级、企业合作项目共计30余项。在国际重要的学术期刊与会议上发表论文60余篇，其中被SCI收录论文20余篇。被授权发明专利6项（日本发明专利3项）。目前致力于人工智能技术的产业化应用。曾自主研发多套软件与装备，如无人系统的视觉感知系统、煤矿运输皮带综合监测系统、高速铁路运行安全监测系统等，产生了良好的经济和社会效益。

第1章 人工智能概述
1．1 人工智能的发展浪潮
1．2 AI技术发展历史
1．2．1 AI技术三要素之算法
1．2．2 AI技术三要素之计算资源
1．2．3 AI三要素之数据
1．3 视频分析技术的应用案例
1．3．1 基于人脸识别技术的罪犯抓捕系统
1．3．2 基于文字识别技术的办公自动化系统
1．3．3 基于图像分割及目标检测技术的无人驾驶环境感知系统
1．3．4 基于目标检测及跟踪技术的电子交警系统
1．3．5 基于图像比对技术的产品缺陷检测系统
1．3．6 基于行为识别技术的安全生产管理系统
1．4 本章小结
第2章 深度卷积神经网络
2．1 深度卷积神经网络的概念
2．2 卷积神经网络的构成
2．2．1 卷积层
2．2．2 激活函数
2．2．3 池化层
2．3 深度卷积神经网络模型结构
2．3．1 常用网络模型
2．3．2 网络模型对比
2．4 图像分类
2．5 迁移学习
2．6 图像识别项目实例
2．6．1 下载ImageNet的训练模型
2．6．2 ResNet模型构建
2．6．3 测试图像
2．7 本章小结
2．8 习题
第3章 目标检测
3．1 目标检测的概念
3．2 基于候选区域的目标检测算法
3．2．1 FasterR-CNN目标检测算法
3．2．2 基于区域的全卷积网络（R-FCN）目标检测算法
3．3 基于回归的目标检测算法
3．3．1 YOLO目标检测算法
3．3．2 SSD目标检测算法
3．4 目标检测算法评价指标
3．5 深度卷积神经网络目标检测算法性能对比
3．6 目标检测项目实战
3．6．1 FasterR-CNN
3．6．2 用YOLO训练自己的模型
3．7 本章小结
3．8 习题
……
第4章 图像分割
第5章 目标跟踪
第6章 OCR文字识别
第7章 多任务深度学习网络
第8章 生成对抗神经网络
第9章 样本制作与数据增强
第10章 Keras安装和API
第11章 综合实验：基于YOLO和DeepSort的目标检测与跟踪