深度学习之PyTorch物体检测实战

（因字数所限，部分章节只给出了二级目录，完整目录请查看华章网站）

第1篇  物体检测基础知识

第1章  浅谈物体检测与PyTorch     2

1.1  深度学习与计算机视觉      2

1.1.1  发展历史   2

1.1.2  计算机视觉       7

1.2  物体检测技术      9

1.2.1  发展历程   10

1.2.2  技术应用领域   11

1.2.3  评价指标   12

1.3  PyTorch简介 17

1.3.1  诞生与特点       17

1.3.2  各大深度学习框架对比   17

1.3.3  为什么选择PyTorch 19

1.3.4  安装方法   20

1.4  基础知识准备      22

1.4.1  Linux基础 22

1.4.2  Python基础       24

1.4.3  高效开发工具   29

1.5  总结      36

第2章  PyTorch基础  37

2.1  基本数据：Tensor 37

2.1.1  Tensor数据类型 37

2.1.2  Tensor的创建与维度查看 39

2.1.3  Tensor的组合与分块 41

2.1.4  Tensor的索引与变形 42

2.1.5  Tensor的排序与取极值    46

2.1.6  Tensor的自动广播机制与向量化    46

2.1.7  Tensor的内存共享    47

2.2  Autograd与计算图      48

2.2.1  Tensor的自动求导：Autograd 49

2.2.2  计算图       50

2.2.3  Autograd注意事项   51

2.3  神经网络工具箱torch.nn    52

2.3.1  nn.Module类     52

2.3.2  损失函数   55

2.3.3  优化器nn.optim 56

2.4  模型处理      59

2.4.1  网络模型库：torchvision.models     59

2.4.2  加载预训练模型       60

2.4.3  模型保存   61

2.5  数据处理      61

2.5.1  主流公开数据集       61

2.5.2  数据加载   63

2.5.3  GPU加速   65

2.5.4  数据可视化       66

2.6  总结      68

第3章  网络骨架：Backbone    69

3.1  神经网络基本组成      69

3.1.1  卷积层       70

3.1.2  激活函数层       72

3.1.3  池化层       75

3.1.4  Dropout层 76

3.1.5  BN层 77

3.1.6  全连接层   79

3.1.7  深入理解感受野       81

3.1.8  详解空洞卷积（Dilated Convolution）   82

3.2  走向深度：VGGNet    83

3.3  纵横交错：Inception   87

3.4  里程碑：ResNet   93

3.5  继往开来：DenseNet   95

3.6  特征金字塔：FPN       99

3.7  为检测而生：DetNet   106

3.8  总结      110

第2篇  物体检测经典框架

第4章  两阶经典检测器：Faster RCNN  112

4.1  RCNN系列发展历程   112

4.2  准备工作      114

4.3  Faster RCNN总览 115

4.4  详解RPN      117

4.5  RoI Pooling层      127

4.6  全连接RCNN模块      130

4.7  Faster RCNN的改进算法    131

4.8  总结      141

第5章  单阶多层检测器：SSD 142

5.1  SSD总览      142

5.2  数据预处理   144

5.3  网络架构      148

5.4  匹配与损失求解   154

5.5  SSD的改进算法  157

5.6  总结      166

第6章  单阶经典检测器：YOLO     167

6.1  无锚框预测：YOLO v1      167

6.2  依赖锚框：YOLO v2   171

6.3  多尺度与特征融合：YOLO v3   180

6.4  总结      183

第3篇  物体检测的难点与发展

第7章  模型加速之轻量化网络 186

7.1  压缩再扩展：SqueezeNet    188

7.2  深度可分离：MobileNet     191

7.3  通道混洗：ShuffleNet 200

7.4  总结      207

第8章  物体检测细节处理 209

8.1  非极大值抑制：NMS  209

8.2  样本不均衡问题   217

8.3  模型过拟合   224

8.4  总结      229

......