第1章  人工智能概述	1
　　1.1  人工智能的发展浪潮	1
　　1.2  AI技术发展历史	4
　　　　1.2.1  AI技术三要素之算法	4
　　　　1.2.2  AI技术三要素之计算资源	6
　　　　1.2.3  AI三要素之数据	6
　　1.3  视频分析技术的应用案例	9
　　　　1.3.1  基于人脸识别技术的罪犯抓捕系统	9
　　　　1.3.2  基于文字识别技术的办公自动化系统	10
　　　　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	10
　　　　1.3.4  基于目标检测及跟踪技术的电子交警系统	10
　　　　1.3.5  基于图像比对技术的产品缺陷检测系统	10
　　　　1.3.6  基于行为识别技术的安全生产管理系统	10
　　1.4  本章小结	10
第2章  深度卷积神经网络	11
　　2.1  深度卷积神经网络的概念	11
　　2.2  卷积神经网络的构成	12
　　　　2.2.1  卷积层	12
　　　　2.2.2  激活函数	12
　　　　2.2.3  池化层	14
　　2.3  深度卷积神经网络模型结构	14
　　　　2.3.1  常用网络模型	14
　　　　2.3.2  网络模型对比	20
　　2.4  图像分类	20
　　2.5  迁移学习	21
　　2.6  图像识别项目实例	22
　　　　2.6.1 下载ImageNet的训练模型	22
　　　　2.6.2  ResNet模型构建	23
　　　　2.6.3  测试图像	26
　　2.7  本章小结	27
　　2.8  习题	27
第3章  目标检测	28
　　3.1  目标检测的概念	28
　　3.2  基于候选区域的目标检测算法	29
　　　　3.2.1  Faster R-CNN目标检测算法	30
　　　　3.2.2  基于区域的全卷积网络（R-FCN）目标检测算法	30
　　3.3  基于回归的目标检测算法	32
　　　　3.3.1  YOLO目标检测算法	32
　　　　3.3.2  SSD目标检测算法	33
　　3.4  目标检测算法评价指标	34
　　3.5  深度卷积神经网络目标检测算法性能对比	35
　　3.6  目标检测项目实战	36
　　　　3.6.1  Faster R-CNN	36
　　　　3.6.2  用YOLO训练自己的模型	40
　　3.7  本章小结	43
　　3.8  习题	43
第4章  图像分割	44
　　4.1  图像分割的概念	44
　　4.2  典型的图像分割算法	45
　　　　4.2.1  FCN分割算法	45
　　　　4.2.2  DeepLab分割算法	45
　　　　4.2.3  SegNet图像分割算法	47
　　　　4.2.4  U-Net算法	47
　　　　4.2.5  Mask R-CNN算法	48
　　4.3  图像分割评价标准	49
　　4.4  图像分割项目实战	50
　　　　4.4.1  FCN32模型构建	51
　　　　4.4.2  FCN8的模型构建	52
　　　　4.4.3  Seg-Net的模型构建	53
　　　　4.4.4  U-Net的模型构建	56
　　4.5  本章小结	59
　　4.6  习题	59
第5章  目标跟踪	60
　　5.1  图像分割的概念	60
　　5.2  基于光流特征的目标跟踪算法	63
　　　　5.2.1  基于光流特征跟踪算法概述	63
　　　　5.2.2  LK光流法	65
　　5.3  SORT目标跟踪算法	66
　　　　5.3.1  卡尔曼滤波器	66
　　　　5.3.2  基于匈牙利算法的数据关联	68
　　5.4  Deep SORT多目标跟踪算法	69
　　　　5.4.1  Deep SORT算法跟踪原理	69
　　　　5.4.2  外观特征间的关联性计算	69
　　　　5.4.3  利用运动信息关联目标	71
　　　　5.4.4  级联匹配	71
　　5.5  目标跟踪算法评价指标	72
　　5.6  Deep SORT算法主要程序及分析	72
　　　　5.6.1  目标检测框的获取及坐标转换	72
　　　　5.6.2  卡尔曼滤波	73
　　　　5.6.3  深度外观特征的提取	77
　　　　5.6.4  匹配	78
　　　　5.6.5  后续处理	79
　　5.7  本章小结	81
　　5.8  习题	81
第6章  OCR文字识别	82
　　6.1  OCR文字识别的概念	82
　　6.2  文字检测	83
　　　　6.2.1  传统的文字检测算法	83
　　　　6.2.2  基于深度学习的文字检测算法	83
　　6.3  文字识别算法	89
　　　　6.3.1  基于DenseNet网络模型的序列特征提取	89
　　　　6.3.2  基于LSTM结构的上下文序列特征提取	91
　　　　6.3.3  字符序列的解码方式	92
　　6.4  项目实战	95
　　　　6.4.1  CRAFT模型搭建	96
　　　　6.4.2  CRNN模型搭建	97
　　　　6.4.3  文字检测与识别程序	99
　　6.5  本章小结	104
　　6.6  习题	105
第7章  多任务深度学习网络	106
　　7.1  多任务深度学习网络的概念	107
　　7.2  多任务深度学习网络构建	107
　　　　7.2.1  多任务网络的主要分类	107
　　　　7.2.2  并行式网络	109
　　　　7.2.3  级联式网络	110
　　7.3  多任务深度学习网络的代码实现	113
　　　　7.3.1  构建多任务深度学习网络	114
　　　　7.3.2  多任务深度学习网络的训练	116
　　　　7.3.3  多任务深度学习模型测试	116
　　7.4  本章小结	119
　　7.5  习题	119
第8章  生成对抗神经网络	120
　　8.1  生成对抗网络的概念	120
　　8.2  典型的生成对抗网络	121
　　　　8.2.1  DCGAN	121
　　　　8.2.2  CycleGAN	123
　　8.3  传送带表面缺陷样本增强案例	126
　　8.4  项目实战	128
　　　　8.4.1  DCGAN	128
　　　　8.4.2  CycleGAN	130
　　8.5  本章小结	132
　　8.6  习题	132
第9章  样本制作与数据增强	133
　　9.1  数据的获取	133
　　9.2  数据的标注	133
　　　　9.2.1  目标检测与识别标注软件LabelImg	134
　　　　9.2.2  图像分割标注软件LabelMe	134
　　9.3  数据增强	134
　　9.4  项目实战：数据增强	135
　　　　9.4.1  数据增强库的安装与卸载	135
　　　　9.4.2  数据增强库的基本使用	136
　　　　9.4.3  样本数据增强的结果	136
　　　　9.4.4  关键点变换	137
　　　　9.4.5  标注框（Bounding Box）变换	139
　　9.5  本章小结	141
　　9.6  习题	141
第10章  Keras安装和API	142
　　10.1  安装Keras	142
　　　　10.1.1  第1步——安装依赖项	142
　　　　10.1.2  第2步——安装TensorFlow	144
　　　　10.1.3  第3步——安装Keras	145
　　　　10.1.4  第4步——测试TensorFlow和Keras	145
　　10.2  配置Keras	146
　　10.3  Keras API	146
　　10.4  TensorFlow API	146
　　10.5  本章小结	147
第11章  综合实验：基于YOLO和Deep Sort的目标检测与跟踪	148
　　11.1  算法流程	148
　　11.2  实验代码	149
　　11.3  实验评价	155