深度学习与计算机视觉：核心算法与应用 (谢文伟) (z-library.sk, 1lib.sk, z-lib.sk)

📄 File Format: PDF

💾 File Size: 12.1 MB

📖 Read Online ⬇️ Download

Registered users can read the full content for free

Register as a Gaohf Library member to read the complete e-book online for free and enjoy a better reading experience.

📄 Page 1

(This page has no text content)

📄 Page 2

前言 从21世纪初开始，整个社会逐渐进入数据驱动的时代，云计算、 大数据和人工智能的发展开始形成良性互动：一方面，云计算和大数 据的发展带来了算力的大幅提升和学习样本的极大充足，从而促进人 工智能快速发展；另一方面，人工智能的发展减少了人力劳动，提高 了数据分析和处理的效率，从而促进云计算和大数据进一步发展。 机器学习和计算机视觉是人工智能领域的热门方向。目前，在计 算机视觉领域，人工智能尚处于感知智能阶段，计算机可以对目标进 行检测和识别，但还不具备理解能力，距离真正的认知智能尚有一段 距离。随着理论的成熟和一些新模型与框架（如强化学习和迁移学 习）的提出与广泛应用，计算机视觉领域正在向越来越智能化的方向 快速发展，而支撑其发展的机器学习技术，尤其是深度学习技术发挥 了很大的作用。 目前，市场上虽然已经有不少计算机视觉方面的书籍，但是其中 大部分要么侧重介绍理论知识，要么侧重介绍应用实践。如果只强调 理论，则很难让读者了解其具体应用；如果只强调实践，则只会局限 于具体案例，而无法让读者做到举一反三，在遇到实际问题时还是无 从下手。因此，非常需要一本将理论和实践很好地结合起来的书籍， 以帮助读者系统地进行学习和实践。 笔者长期从事机器学习和计算机视觉领域的相关工作，不但熟悉 其理论知识，而且在学习和工作中积累了大量的感悟与经验，于是萌 生了写作一本理论结合实践的深度学习与计算机视觉图书的想法，以 便把自己的感悟和经验分享给想要进入这个领域的初学者和从业者。 由于机器学习与计算机视觉涉及的知识点较为庞杂，一个人完成写作 对于我而言是一个巨大的挑战，因此笔者联合了同样具有丰富经验的 印杰老师一起写作本书。希望本书能成为读者打开计算机视觉大门的 一把金钥匙。

📄 Page 3

本书特色 1.理论知识结合应用实践 本书从工作原理、应用场景和代码实现三个方面介绍相关算法和 模型，以便让读者对相关理论知识和应用实践有更加全面的了解，从 而做到触类旁通，对不同场景进行建模。 2.由浅入深，循序渐进 本书从基本概念讲起，循序渐进地介绍机器学习、深度学习和计 算机视觉的理论知识、模型与算法原理以及典型应用，帮助读者全 面、深入地掌握相关知识。 3.图文并茂，易于理解 本书结合280余幅示意图讲解相关知识点，其中有百余幅是精心 绘制的算法和模型原理图，可以让抽象的知识变得更加直观和易于理 解，从而帮助读者高效学习。 4.模型众多，实例丰富 本书对常用算法和30余种模型做了归纳整理，并在讲解这些算法 和模型时结合大量的代码实例，帮助读者更好地理解所学理论并动手 实践。 本书内容 本书共10章，分为3篇，每篇从均基本概念、模型与算法原理以 及代码实现3个方面进行介绍。 第1篇　机器学习原理 第1章主要介绍机器学习和计算机视觉的起源、发展历史、研究 内容以及开发环境的搭建等基础知识。

📄 Page 4

第2章主要介绍机器学习的相关概念、数据集的划分和使用、机 器学习的流程、机器学习涉及的数学基础知识和相关开发工具等，最 后给出几个AI编程入门实例。 第3章主要介绍数据分布、探索性数据分析、数据预处理、特征 选择、线性回归系列模型和决策树系列模型的理论以及模型评估等相 关内容，其中重点演示AI编程中定范式、定损失和做优化三个关键步 骤。 第2篇　计算机视觉基础 第4章首先介绍图像的结构与常见类型，然后介绍计算机视觉的 工作流程，最后介绍如何使用OpenCV处理图像和视频。 第5章首先介绍如何对图像进行分类，然后介绍如何使用传统方 法提取特征，最后演示如何对单标签图像进行分类。 第3篇　深度学习模型与计算机视觉应用 第6章首先介绍神经网络的基础知识，然后分别介绍前馈神经网 络模型和循环神经网络模型的结构、算法及应用实例等。 第7章首先介绍图像滤波和卷积的实现过程，然后介绍卷积神经 网络的结构和工作原理等相关知识。 第8章首先介绍LeNet-5、AlexNet和VGGNet等6种常见卷积神 经网络模型，然后介绍样本操作和图像分类的相关知识，最后介绍图 像识别实例的代码实现。 第9章首先介绍目标检测的原理和6种常见模型，然后结合人脸检 测实例，介绍人脸二分类器的创建、人脸初检、初检结果修正以及开 源模型人脸检测等相关知识。 第10章首先介绍目标检测、语义分割和实例分割等图像分割知 识，然后介绍FCN和Mask R-CNN两种模型，最后介绍目标追踪的相

📄 Page 5

关知识。 本书读者对象 · 人工智能初学者； · 机器学习与深度学习初学者； · 计算机视觉技术初学者； · 机器学习与计算机视觉算法工程师； · 机器学习与计算机视觉爱好者； · 相关培训机构的学员； · 高校相关专业的学生。 本书配套资源 本书使用Python作为开发语言，使用Jupyter Notebook作为集 成开发环境。本书涉及的源代码与相关开源工具等配套资源需要读者 自行下载。读者可以关注微信公众号“方大卓越”，然后回复“计算 机视觉xww”，即可获取本书配套资源的下载地址。 谢文伟

📄 Page 6

图2.29 四则运算模型评估 图3.54 GBDT回归预测的结果

📄 Page 7

图4.6 色调 图4.7 HSV与RGB颜色空间的对比

📄 Page 8

图4.9 RGB图、HSV图、灰度图与二值图 图4.15 根据颜色截取ROI 图4.16 根据轮廓截取ROI

📄 Page 9

图6.25 神经网络模型的使用 图7.7 多通道单输出卷积

📄 Page 10

图9.11 候选区域与人工标注区域

📄 Page 11

图9.15 目标检测结果

📄 Page 12

图9.43 下采样得到的图像金字塔

📄 Page 13

第1篇　机器学习原理 第1章　认识机器学习 智慧是什么？人是怎么认识世界的？围绕这些问题，几千年来人 们一直没有停止过思考。直到20世纪三四十年代，随着人工智能的兴 起，对这些问题的探索才逐渐从哲学领域进入科学研究的范畴。虽然 如今的人工智能是不是真正意义上的智能还存在争议，但毋庸置疑的 是，人工智能已经在我们的日常生活中扮演着重要的角色。 在20世纪三四十年代，随着生物学、信息论、控制论及计算理论 等多门学科的融合，制造一台“人造大脑”成为可能。经过80年左右 的发展，以机器学习为代表的人工智能取得了巨大的进展，尤其是在 计算机视觉领域，人工智能已经可以代替人类做出一些决策。 视觉是人类获取信息的最主要渠道，大约70%的大脑皮层用来处 理视觉方面的相关信息。计算机视觉是指让计算机能看懂图像的内 容，它是实现人工智能的重要分支。近年来，随着信息技术尤其是深 度学习技术的发展，如何通过机器学习的方法从数据中发现蕴涵的知 识或有价值的信息已成为一个非常重要的研究领域，计算机视觉与机 器学习也逐渐成为研究的热点。 1.1 机器学习简介 简单来说，机器学习就是寻找数据中存在的规律，并用这个规律 对新的数据进行预测的过程。机器学习算法和模型的主要作用是为了 找到这些规律。如图1.1所示，输出Y是输入X1和X2的算术平均数。 机器学习包括传统机器学习(Machine Learning)和深度学习 (Deep Learning)，它是实现人工智能(Artificial Intelligence)的重要

📄 Page 14

手段。现在人们普遍认为，机器学习是人工智能领域的子集，而深度 学习又是机器学习领域的子集，三者之间的关系如图1.2所示。 纵观人工智能约80年的发展历史，机器学习一直都是人工智能里 的一个重要子领域，机器学习与人工智能一起经历了两次低谷和三次 崛起，如图1.3所示。 图1.1 机器学习的本质

📄 Page 15

图1.2 机器学习、深度学习与人工智能之间的关系 图1.3 机器学习与人工智能的发展历程 虽然人工智能的发展几经挫折，但是总能够走出低谷并进入一个 新的发展期。其动力除了来自自身的发展以外，还来自社会的期待和 支持。人工智能的发展从来不是一蹴而就的，而是经过横跨多个学科 及近一个世纪众多科研人员共同努力的结果。 从技术层面来看，人工智能的发展需要算法、大数据和计算能力 这三个方面的支撑，在21世纪，随着更多的资金和研究人员的投入以 及算法和数据的积累，加之计算能力的进一步提升，人工智能必将发 挥更大的作用。

📄 Page 16

1.2 计算机视觉简介 在早期，计算机视觉(Computer Vision)被定义为赋予机器自然 视觉能力的学科，其目标是通过对图像信息的研究，实现对图像内容 的理解。如今，计算机视觉已经成为人工智能领域最热门的研究方向 之一，计算机已经可以从数字图像或视频中获得有意义的信息，并根 据这些信息进行决策。 与人类视觉系统类似，计算机视觉赋予计算机“看到”“观察” “理解”图像的能力。迄今为止，计算机视觉已经经历了诞生和理论 准备、初步应用以及深度学习三个时代。 随着大数据和云计算的发展，机器学习逐渐进入深度学习时代。 研究人员发现，与传统的方法相比，在图像的特征提取方面，深度学 习（尤其是卷积神经网络）有着无可比拟的优势，这主要得益于样本 数据、AI模型和算力等方面的综合发展。 在样本数据方面，出现了许多实验用的标注过的数据集。 · MNIST(Modified National Institute of Standards and Technology)数据集：包含70000张扫描的手写体数字照片（每张照 片为0~9中的一个数字），是Yann LeCun实验使用的数据集。 · Pascal VOC(Pascal Visual Object Challenge)数据集：包含20 个分类，并且还包含目标在图像中的位置，有上万张照片，可用于目 标检测。 · ImageNet数据集：包含2万个分类，有上千万张图片。从2010 年开始，每年使用该数据集举行的图像识别比赛被称为计算机视觉的 奥林匹克竞赛。 在AI模型方面，出现了卷积神经网络和生成对抗网络等多种深度 学习模型。

📄 Page 17

· 卷积神经网络(Convolution Neural Network，CNN)：它于 1998年被提出，随后陆续出现了LeNet、AlexNet、GoogLeNet、 VGGNet、ResNet和DenseNet等多种模型框架。随着模型结构的加 深，其表达能力也越来越强。如今，在图像分类领域，深度学习模型 已经比较成熟了，计算机在ImageNet上的表现已经超过人类。 · 生成对抗网络(Generative Adversarial Networks，GAN)：它 于2014年被提出。GAN模型使计算机具有一种创造性，能根据现有 的条件（如一些二维图像）创造出新的图像。 在算力方面，GPU和云计算提高了计算能力。 深度学习是大量的简单处理单元共同运算的过程。针对这一特 点，在深度学习方面，GPU比CPU更具优势：GPU可以提供多核并行 计算的基础结构且有大量的核心支持数据的并行计算，可以极大地提 高计算速度，从而解决大型而复杂的计算问题。 云计算提供分布式运算和存储的能力，可以将模型的训练和存储 分散到多台计算机上，从而进一步解决深度学习存在的算力和存储不 足等问题。 随着技术的发展，计算机视觉的研究内容变得更加丰富，大体可 以分为物体视觉和空间视觉两大部分。物体视觉是对物体进行精细分 类和鉴别，空间视觉则是确定物体的位置和形态。目前，计算机视觉 领域的基础与热门研究方向如图1.4所示。 · 图像分类：根据图像自身的特点，将其划分为不同的类别。 · 目标检测：找到目标在图像中的位置坐标，并通过边界框标记 出来。 · 语义分割：实现像素级的分类，将每个像素点归类到不同的类 别下。

📄 Page 18

· 实例分割：区分每个个体，将每个像素点归类到不同的目标个 体下。 图1.4 计算机视觉主要的研究方向 · 目标追踪：针对一段视频或一组图像序列，找到同一个目标在 不同时刻所在位置的坐标。 · 视觉问答：针对输入图像，用户提问，然后通过算法进行回 答。 · 动作识别：针对一段视频或一组图像序列，识别出目标的行为 动作。 · 三维重建：对图像进行分析，结合计算机视觉知识推导出现实 环境中物体的三维信息。 1.3 开发工具的选择 本书配套源代码使用的是Python语言，使用Jupyter Notebook 作为IDE（集成开发环境），读者最好已经有Python和Jupyter

📄 Page 19

Notebook编程基础，熟悉Python语言和Jupyter Notebook开发工 具的使用。 对于机器学习和计算机视觉常用开发包（Seaborn、Pandas、 Keras和OpenCV等）的使用，本书会在相应的章节进行介绍。 本书配套源代码用到的开发库和相应版本如表1.1所示（对于其他 版本，笔者未做过测试），机器学习部分的代码只涉及表1.1中“基础 环境与机器学习”所列的开发库，计算机视觉部分的代码则涉及表1.1 中所有的开发库。 表1.1 本书用到的开发工具 （续表）

📄 Page 20

1.4 开发环境的搭建 在表1.1所列的开发工具中，除了Python和Graphviz需要下载安 装包进行安装外，其他的软件都可以直接使用pip进行安装。本节介 绍在Windows平台下使用Virtualenv搭建开发环境的方法（其他平台 下的搭建方法与其类似）。对于熟悉Python的读者，可以跳过这部分 内容，直接使用自己喜欢的方式进行安装即可，例如使用Anaconda 包管理器进行安装。 1.配套源代码 本 书 配 套 源 代 码 是 基 于 Python 3 生 成 的 ， 使 用 Jupyter Notebook作为IDE，共有两个目录：