深度学习与目标检测（第2版）

本书的写作初衷是，从学者的角度，用一种通俗易懂的方式，将基于深度学习的目标检测的相关论文中的理论和方法呈现给读者，同时针对作者在深度学习教学过程中遇到的难点，进行深入的分析和讲解。 本书侧重对卷积神经网络的介绍，而深度学习的内容不止于此。所以，作者将深度学习分为有监督学习、无监督学习和强化学习三类，将图像分类、目标检测、人脸识别、语音识别、生成对抗网络和AlphaGo等应用场景归入不同的类别，并分别对其原理进行了概括性的讲解。

这是一本深入浅出地介绍深度学习与目标检测技术的著作。本书不仅详细阐述了深度学习的基本概念和历史发展，还深入探讨了具有代表性的卷积神经网络，包括AlexNet、VGGNet、GoogLeNet、ResNet、MobileNet等。 书中详细讲解了神经网络的基本单位，包括输入、输入值、权重、输出、输出值、偏移量等部分，以及深度神经网络的前向传递、激活函数、损失函数等概念。此外，本书还详细介绍了深度神经网络结构，包括输入层、中间的计算层和输出层，以及如何进行网络训练和防止过拟合的方法。 在目标检测领域，本书详细介绍了R-CNN方法及其特点，包括选择候选区域、使用CNN提取特征、使用SVM进行分类以及进行边界框的回归预测等步骤。同时，本书还概览了两阶段目标检测方法，包括R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN、R-FCN和Mask R-CNN等，并详细介绍了单阶段目标检测方法，如SSD、RetinaNet、RefineDet和YOLO等。 在医学影像分析应用方面，本书详细介绍了肋骨骨折检测和肺结节检测的深度学习应用，包括三维重建技术、CT曲面重建技术的优