缪鹏，某985高校物理硕士，长期从事企业虚拟化和深度学习图像算法方面的工作。现为广州棒谷科技有限公司AI－CV核心成员，负责团队图像分类、搜索与图像合成核心算法开发。

章 深度学习与计算机视觉
1.1 图像基础
1.2 深度学习与神经网络基础
1.2.1 函数的简单表达
1.2.2 函数的矩阵表达
1.2.3 神经网络的线性变换
1.2.4 神经网络的非线性变换
1.2.5 深层神经网络
1.2.6 神经网络的学习过程
1.3 卷积神经网络CNN
1.4 基础开发环境搭建
1.5 本章总结
第2章 OpenCV入门
2.1 读图、展示和保存新图
2.2 像素点及局部图像
2.3 基本线条操作
2.4 平移
2.5 旋转
2.6 缩放
2.6.1 邻近插值
2.6.2 双线性插值
2.7 翻转
2.8 裁剪
2.9 算术操作
2.10 位操作
2.11 Masking操作
2.12 色彩通道分离与融合
2.13 颜色空间转换
2.14 颜色直方图
2.15 平滑与模糊
2.16 边缘检测
2.17 人脸和眼睛检测示例
2.18 本章总结
第3章 常见深度学习框架
3.1 PyTorch
3.1.1 Tensor
3.1.2 Autograd
3.1.3 Torch.nn
3.2 Chainer
3.2.1 Variable
3.2.2 Link与Function
3.2.3 Chain
3.2.4 optimizers
3.2.5 损失函数
3.2.6 GPU的使用
3.2.7 模型的保存与加载
3.2.8 FashionMnist图像分类示例
3.2.9 Trainer
3.3 TensorFlow与Keras
3.3.1 TensorFlow 3.3.2 Keras
3.4 MXNet与Gluon
3.4.1 MXNet
3.4.2 Gluon
3.4.3 Gluon Sequential
3.4.4 Gluon Block
3.4.5 使用GPU
3.4.6 Gluon Hybrid
3.4.7 Lazy Evaluation
3.4.8 Module
3.5 其他框架
3.6 本章总结
第4章 图像分类
4.1 VGG
4.1.1 VGG介绍
4.1.2 MXNet版VGG使用示例
4.2 ResNet
4.2.1 ResNet介绍
4.2.2 Chainer版ResNet示例
4.3 Inception
4.3.1 Inception介绍
4.3.2 Keras版Inception V3川菜分类
4.4 Xception
4.4.1 Xception简述
4.4.2 Keras版本Xception使用示例
4.5 DenseNet
4.5.1 DenseNet介绍
4.5.2 PyTorch版DenseNet使用示例
4.6 本章总结
第5章 目标检测与识别
5.1 Faster RCNN
5.1.1 Faster RCNN介绍
5.1.2 ChainerCV版Faster RCNN示例
5.2 SSD
5.2.1 SSD介绍
5.2.2 SSD示例
5.3 YOLO
5.3.1 YOLO V1、V2和V3介绍
5.3.2 Keras版本YOLO V3示例
5.4 本章总结
第6章 图像分割
6.1 物体分割
6.2 语义分割
6.2.1 FCN与SegNet
6.2.2 PSPNet
6.2.3 DeepLab
6.3 实例分割
6.3.1 FCIS
6.3.2 Mask R-CNN
6.3.3 MaskLab 6.3.4 PANet
6.4 本章总结
第7章 图像搜索
7.1 Siamese Network
7.2 Triplet Network
7.3 Margin Based Network
7.4 Keras版Triplet Network示例
7.4.1 准备数据
7.4.2 训练文件
7.4.3 采样文件
7.4.4 模型训练
7.4.5 模型测试
7.4.5 结果可视化
7.5 本章小结
第8章 图像生成
8.1 VAE
8.1.1 VAE介绍
8.1.2 Chainer版本VAE示例
8.2 生成对抗网络GAN
8.2.1 GAN介绍
8.2.2 Chainer DCGAN RPG游戏角色生成示例
8.3 Neural Style Transfer
8.3.1 Neural Style Transfer介绍
8.3.2 MXNet多风格转换MSG-Net示例
8.4 本章总结
后记

本书将会介绍深度学习在计算机视觉方面的应用以及工程实践，同时介绍主流的深度学习框架，包括Pytorch, Tensorflow, Chainer, Mxnet等。通过本书，读者能够了解深度学习在计算机视觉各个方向的应用以及最新进展。本书的特点是依托工业环境的实践经验，具备较强的实用性和专