CppMaster/_sidebar.md at main · Mlleters/CppMaster · GitHub

简介
序言
主要符号表
绪论篇
- 第 0 章计算机视觉概述
  - 0.1 概述
  - 0.2 计算机视觉基本概念
  - 0.3 发展历史回顾
  - 0.4 典型的计算机视觉任务
  - 0.5 国内外优秀的计算机视觉团队汇总
  - 小结
  - 练习
  - 参考文献
理论篇
- 第 1 章神经网络
- 第 2 章卷积神经网络
  - 2.1 卷积神经网络
  - 2.2 实战项目 2 - 动手搭建一个卷积神经网络
  - 小结
  - 练习
  - 参考文献
- 第 3 章图像分类
  - 3.1 数据驱动方法
    - 3.1.1 语义上的差别
    - 3.1.2 图像分类任务面临着许多挑战
    - 3.1.3 数据驱动的方法
  - 3.2 k 最近邻算法
  - 3.3 支持向量机
  - 3.4 逻辑回归 LR
  - 3.5 实战项目 3 - 表情识别
  - 3.6 实战项目 4 - 使用卷积神经网络对CIFAR10图片进行分类
  - 小结
  - 练习
  - 参考文献
- 第 4 章循环神经网络
  - 4.1 循环神经网络 RNN
  - 4.2 循环神经网络的从零开始实现
  - 4.3 循环神经网络的简洁实现
  - 4.4 长短期记忆人工神经网络 LSTM
  - 4.5 门控循环单元（GRU）
  - 小结
  - 练习
  - 参考文献
- 第 5 章图神经网络
  - 5.1 历史脉络
  - 5.2 图神经网络(Graph Neural Network)
  - 5.3 门控图神经网络(Gated Graph Neural Network)
  - 5.4 图卷积神经网络(GCNN)
  - 5.5 生成图表示
  - 5.6 图神经网络在计算机视觉上的应用
  - 小结
  - 练习
  - 参考文献
- 第 6 章模型选择、欠拟合和过拟合
  - 6.1 训练误差和泛化误差
  - 6.2 模型选择
  - 6.3 欠拟合和过拟合
  - 6.4 多项式函数拟合实验
  - 6.5 如何应对模型过拟合问题
    - 6.5.1 权重衰减
    - 6.5.2 丢弃法
  - 6.6 数值稳定性和模型初始化
  - 小结
  - 练习
  - 参考文献
- 第 7 章模型拟合与优化算法
  - 7.1 优化与深度学习
  - 7.2 梯度下降和随机梯度下降
  - 7.3 小批量随机梯度下降
  - 7.4 动量法
  - 7.5 AdaGrad算法
  - 7.6 RMSProp算法
  - 7.7 AdaDelta算法
  - 7.8 Adam算法
  - 小结
  - 练习
  - 参考文献
实战篇
- 第 8 章软件环境搭建与工具使用
- 第 9 章经典卷积神经网络架构：原理与PyTorch实现
- 第 10 章著名数据集及基准
  - 10.1 数据集
  - 10.2 基准测试
  - 10.3 评价指标
  - 10.4 实战项目 6 - Kaggle比赛：图像分类（CIFAR-10）
  - 10.5 实战项目 7 - Kaggle比赛：狗的品种识别（ImageNet Dogs）
  - 小结
  - 练习
  - 参考文献
- 第 11 章检测与分割实战项目
  - 11.1 语义分割
    - 11.1.1 语义分割 PyTorch 版
    - 11.1.2 实战项目 8 - 基于PolarNet的点云端到端语义分割项目实战
  - 11.2 目标检测
    - 11.2.1 常用网络
    - 11.2.2 实战项目 9 - 基于PyTorch的YOLO5目标检测项目实战
  - 11.3 实例分割
  - 小结
  - 练习
  - 参考文献
- 第 12 章计算机视觉课题研究初探
  - 12.1 手写字识别
  - 12.2 文本检测
  - 12.3 车道线检测
    - 12.3.1 常用网络
    - 12.3.2 实战项目 11 - 车道线检测项目实战
  - 12.4 镜面检测
  - 12.5 图像抠图 Matting
  - 12.6 图像超分辨率
  - 12.7 3D 重建
  - 小结
  - 练习
  - 参考文献
进阶篇
- 第 13 章可视化和理解卷积神经网络
  - 13.1 特征可视化
  - 13.2 倒置
  - 13.3 可视化数据梯度
  - 13.4 Embeddings
  - 13.5 对抗样本
  - 13.6 DeepDream 和风格迁移
  - 13.7 实战项目 12 - PyTorch 如何使用TensorBoard
  - 小结
  - 练习
  - 参考文献
- 第 14 章生成对抗模型
  - 14.1 Pixel RNN/CNN
  - 14.2 自编码器 Auto-encoder
  - 14.3 生成对抗网络 GAN
    - 14.3.1 概述
    - 14.3.2 GAN的基本思想
    - 14.3.3 GAN浅析
    - 14.3.4 训练相关理论基础
    - 14.3.5 项目实战案例StyleGAN
    - 14.3.6 实战项目 11 - 图像风格迁移
  - 14.4 变分自编码器 Variational Auto-encoder, VAE
    - 14.4.6 实战项目 13 - 旧照片修复
    - 14.4.6 实战项目 14 - 动漫头像生成
  - 小结
  - 练习
  - 参考文献
- 第 15 章深度增强学习
  - 15.1 引言-如何解决通用人工智能的难点
  - 15.2 什么是深度增强学习
    - 15.2.1 深度学习
    - 15.2.2 增强学习
    - 15.2.3 二者的融合
  - 15.3 怎么利用深度增强学习解决问题
    - 15.3.1 Policy-based DRL
    - 15.3.2 Value-based DRL
    - 15.3.3 Model-based DRL
  - 15.4 深度增强学习在计算机视觉中的应用
  - 小结
  - 练习
  - 参考文献
- 第 16 章视频理解
- 第 17 章迁移学习
- 第 18 章计算机视觉中的注意力机制 Attention is All You Need
  - 18.1 概述
  - 18.2 Attention with RNNs
  - 18.3 Self-attention 自注意力
  - 18.4 软注意力（soft-attention）
    - 18.4.1 空间域注意力
    - 18.4.2 通道注意力
    - 18.4.3 Positional encoding
    - 18.4.4 混合域模型
    - 18.4.5 Masked attention
    - 18.4.6 Multi-head attention
  - 18.5 强注意力（hard attention）
  - 18.6 Attention九层塔 - 注意力机制的九重理解
  - 小结
  - 练习
  - 参考文献
- 第 19 章跨界模型 Transformer
  - 实战项目 17 - 基于Transformer的视频实例分割网络VisTR (CVPR2021)
- 第 20 章知识蒸馏
  - 20.1 概要
  - 20.2 KD主要方法
    - 20.2.1 Logits(Response)-based Knowledge
    - 20.2.2 Feature-based Knowledge
    - 20.2.3 Relation-based Knowledge
  - 20.3 知识蒸馏的应用 NLP-BERT
  - 20.4 常见疑问解答
  - 实战项目 18 - 支付宝CVPR细粒度视觉分类挑战赛夺冠方案解读
  - 小结
  - 练习
  - 参考文献
- 第 21 章 Normalization 模型
  - 21.1 从Mini-Batch SGD说起
  - 21.2 Normalization到底是在做什么
  - 21.3 Batch Normalization如何做
    - 21.3.1 前向神经网络中的BN
    - 21.3.2 CNN网络中的BN
    - 21.3.3 Batch Norm的四大罪状
  - 21.4 三种 Normalization
    - 21.4.1 Layer Normalization
    - 21.4.2 Instance Normalization
    - 21.4.3 Group Normalization
    - 21.4.4 用一个故事来总结
  - 21.5 Normalization操作的Re-Scaling不变性
  - 21.6 Batch Normalization为何有效
  - 小结
  - 练习
  - 参考文献
- 第 22 章模型压缩与裁剪
  - 22.1 概述
  - 22.2 模型压缩
    - 22.2.1 线性或非线性量化（1990~2014 - 至今）
    - 22.2.2 结构或非结构剪枝（1989~2014 - 至今
    - 22.2.3 网络结构搜索（2016 - 至今）
    - 22.2.4 权重矩阵的低秩分解（）
    - 22.2.5 知识蒸馏（2014-至今）
  - 22.3 模型优化加速
    - 22.3.1 Op-Level 的快速算法
    - 22.3.2 Layer0-level 的快速算法
    - 22.3.3 硬件计算单元优化算法
      - 22.3.3.1 CPU、GPU 和 NPU
      - 22.3.3.2 ASIC 和 FPGA
      - 22.3.3.3 PIM（NDP）
  - 22.4 优化工具与库
    - 22.4.1 TensorRT Nvidia)
    - 22.4.2 TVM (Tensor Virtual Machine)
    - 22.4.3 Tensor Comprehension (Facebook)
    - 22.4.4 Distiller (Intel)
  - 小结
  - 练习
  - 参考文献
- 第 23 章轻量级网络浅析
- 第 24 章大安全时代下的计算机视觉
- 附录
- 后记
- 参考文献
- 更新日志
- 赞助 ❤️
- 更新中 ...