第 1章 概述　1
1.1 计算机视觉与深度学习　1
1.1.1 计算机视觉　2
1.1.2 深度学习　3
1.2 深度学习的计算机视觉应用　4
1.2.1 人脸识别　5
1.2.2 图像分类　5
1.2.3 目标检测　6
1.2.4 图像分割　6
1.2.5 姿态估计　7
1.2.6 场景识别　7
1.2.7 目标跟踪　8
1.2.8 动作识别　8
1.2.9 黑白照片自动着色　9
1.2.10 图像风格转移　9
1.3 相关Python库　10
1.3.1 深度学习框架　10
1.3.2 图像处理库　12
小结　13
课后习题　13

第 2章 图像处理基本操作　15
2.1 读写图像　15
2.1.1 常用图像类型　16
2.1.2 读取图像　17
2.1.3 显示图像　18
2.1.4 保存图像　20
2.2 图像颜色空间　20
2.2.1 常用颜色空间简介　20
2.2.2 颜色空间转换　22
2.3 图像几何变换　24
2.3.1 图像平移　24
2.3.2 图像缩放　25
2.3.3 图像旋转　32
2.3.4 图像仿射　34
2.4 图像增强　38
2.4.1 灰度级修正　39
2.4.2 图像平滑　47
2.4.3 图像锐化　51
小结　56
课后习题　57

第3章 深度学习视觉基础任务　59
3.1 深度神经网络　59
3.2 卷积神经网络　61
3.2.1 卷积层　63
3.2.2 池化层　64
3.2.3 全连接层　64
3.2.4 卷积神经网络训练过程　65
3.3 图像分类　67
3.3.1 图像分类简介　67
3.3.2 图像分类经典算法　68
3.3.3 训练图像分类网络　83
3.4 目标检测　86
3.4.1 目标检测简介　86
3.4.2 目标检测经典算法　88
3.4.3 训练目标检测网络　104
3.5 图像分割　111
3.5.1 图像分割简介　111
3.5.2 图像分割经典算法　113
3.5.3 训练图像分割网络　127
3.6 图像生成　132
3.6.1 图像生成简介　133
3.6.2 图像生成经典算法　134
3.6.3 训练图像生成器网络　144
小结　149
课后习题　149

第4章 基于FaceNet的人脸识别实战　152
4.1 背景与目标　152
4.1.1 背景　152
4.1.2 目标　154
4.1.3 项目工程结构　154
4.2 流程与步骤　155
4.2.1 人脸检测　156
4.2.2 人脸对齐　160
4.2.3 人脸特征提取　161
4.2.4 人脸特征匹配　164
4.3 结果分析　165
小结　167
课后习题　168

第5章 基于Faster R-CNN的目标检测实战　170
5.1 背景与目标　170
5.1.1 背景　170
5.1.2 目标　171
5.1.3 项目工程结构　171
5.2 流程与步骤　172
5.2.1 数据准备　172
5.2.2 定义Faster R-CNN配置信息类　174
5.2.3 生成先验锚框　174
5.2.4 定义损失函数　176
5.2.5 训练网络　180
5.3 结果分析　181
小结　183
课后习题　184

第6章 基于U-Net的城市道路场景分割实战　186
6.1 背景与目标　186
6.1.1 背景　186
6.1.2 目标　187
6.1.3 项目工程结构　188
6.2 流程与步骤　188
6.2.1 数据准备　189
6.2.2 搭建U-Net　191
6.2.3 定义损失函数　194
6.2.4 训练网络　195
6.3 结果分析　197
小结　199
课后习题　199

第7章 基于SRGAN的图像超分辨率技术实战　201
7.1 背景与目标　201
7.1.1 背景　201
7.1.2 目标　203
7.1.3 项目工程结构　203
7.2 流程与步骤　204
7.2.1 数据准备　204
7.2.2 搭建SRGAN　206
7.2.3 定义SRGAN损失函数　209
7.2.4 训练网络　210
7.3 结果分析　211
小结　213
课后习题　213