SSD 品牌 推薦的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

深度學習與目標檢測

為了解決SSD 品牌 推薦的問題，作者杜鵑 這樣論述：

本書的寫作初衷是，從學者的角度，用一種通俗易懂的方式，把與基於深度學習的目標檢測的相關論文中的理論和方法呈現給讀者，同時針對作者在深度學習教學過程中遇到的難點，進行深入的分析和講解。 本書側重對卷積神經網路的介紹，而深度學習的內容不止於此。所以，作者將深度學習分為有監督學習、無監督學習和強化學習三類，將圖像分類、目標檢測、語音辨識、人臉識別、對抗生成網路和AlphaGo圍棋等應用場景歸入不同的類別，並分別對其原理進行了概括性的講解。 本書適合有一定深度學習或目標檢測學習基礎的學生、研究者、從業者閱讀。   杜鵬，博士，現任職於華為。2014年起在韓國科學技術學院和新加坡

南洋理工大學從事博士後研究。回國後，曾任杭州電子科技大學副教授、浙江核新同花順網路資訊股份有限公司演算法研究員。2018年被NVIDIA深度學習學院評為優秀校園大使，在SIGGRAPH、PG等國際著名學術會議發表論文10餘篇。 諶明，博士。2004年加入美國道富集團，2011年加入浙江核新同花順網路資訊股份有限公司並任首席技術官，推動了包括電腦視覺、語音技術、自然語言處理、機器學習等技術在金融、醫療等領域的商業化落地。 蘇統華，博士，哈爾濱工業大學副教授，自然手寫中文文本識別的開拓者。曾出版手寫漢字識別領域的首本英文專著，以及7本GPU計算和大資料分析方面的譯作，所領導的NVIDIAGPU

教育中心連續4年被NVIDIA評為中國區優秀GPU教育中心。   基礎篇 第1章 深度學習概述 2 1.1 深度學習發展簡史 2 1.2 有監督學習 4 1.2.1 圖像分類 4 1.2.2 目標檢測 6 1.2.3 人臉識別 10 1.2.4 語音辨識 13 1.3 無監督學習 18 1.3.1 無監督學習概述 18 1.3.2 生成對抗網路 18 1.4 強化學習 21 1.4.1 AlphaGo 21 1.4.2 AlphaGo Zero 23 1.5 小結 25 參考文獻 25 第2章 深度神經網路 27 2.1 神經元 27 2.2 感知機 30 2.3 前向傳

遞 32 2.3.1 前向傳遞的流程 32 2.3.2 啟動函數 33 2.3.3 損失函數 37 2.4 後向傳遞 40 2.4.1 後向傳遞的流程 40 2.4.2 梯度下降 40 2.4.3 參數修正 42 2.5 防止過擬合 44 2.5.1 dropout 44 2.5.2 正則化 45 2.6 小結 46 第3章 卷積神經網路 47 3.1 卷積層 48 3.1.1 valid 卷積 48 3.1.2 full 卷積 50 3.1.3 same 卷積 51 3.2 池化層 52 3.3 反卷積 53 3.4 感受野 55 3.5 卷積網路實例 56 3.5.1 Lenet-5 5

6 3.5.2 AlexNet 59 3.5.3 VGGNet 62 3.5.4 GoogLeNet 64 3.5.5 ResNet 72 3.5.6 MobileNet 73 3.6 小結 76 進階篇 第4章 兩階段目標檢測方法 78 4.1 R-CNN 78 4.1.1 演算法流程 79 4.1.2 訓練過程 80 4.2 SPP-Net 83 4.2.1 網路結構 84 4.2.2 空間金字塔池化 84 4.3 Fast R-CNN 86 4.3.1 感興趣區域池化層 86 4.3.2 網路結構 88 4.3.3 全連接層計算加速 89 4.3.4 目標分類 90 4.3.5 邊界框

回歸 91 4.3.6 訓練過程 93 4.4 Faster R-CNN 96 4.4.1 網路結構 97 4.4.2 RPN 98 4.4.3 訓練過程 104 4.5 R-FCN 106 4.5.1 R-FCN 網路結構 107 4.5.2 位置敏感的分數圖 108 4.5.3 位置敏感的RoI 池化 109 4.5.4 R-FCN 損失函數 110 4.5.5 Caffe 網路模型解析 111 4.6 Mask R-CNN 115 4.6.1 實例分割簡介 115 4.6.2 COCO 資料集的圖元級標注 116 4.6.3 網路結構 117 4.6.4 U-Net 121 4.6.5

SegNet 122 4.7 小結 123 第5章 單階段目標檢測方法 124 5.1 SSD 124 5.1.1 default box 125 5.1.2 網路結構 125 5.1.3 Caffe 網路模型解析 126 5.1.4 訓練過程 134 5.2 RetinaNet 136 5.2.1 FPN 136 5.2.2 聚焦損失函數 138 5.3 RefineDet 139 5.3.1 網路模型 140 5.3.2 Caffe 網路模型解析 142 5.3.3 訓練過程 151 5.4 YOLO 152 5.4.1 YOLO v1 152 5.4.2 YOLO v2 155 5.4

.3 YOLO v3 157 5.5 目標檢測演算法應用 159 5.5.1 高速公路坑洞檢測 159 5.5.2 息肉檢測 160 5.6 小結 162 應用篇 第6章 肋骨骨折檢測 164 6.1 國內外研究現狀 165 6.2 解決方案 166 6.3 預處理 166 6.4 肋骨骨折檢測 167 6.5 實驗結果分析 168 6.6 小結 170 參考文獻 171 第7章 肺結節檢測 172 7.1 國內外研究現狀 172 7.1.1 肺結節可疑位置推薦演算法 173 7.1.2 假陽性肺結節抑制演算法 173 7.2 總體框架 174 7.2.1 肺結節資料集 174 7.2.2

肺結節檢測難點 175 7.2.3 演算法框架 175 7.3 肺結節可疑位置推薦演算法 176 7.3.1 CT圖像的預處理 177 7.3.2 肺結節分割演算法 178 7.3.3 優化方法 180 7.3.4 推斷方法 182 7.4 可疑肺結節定位演算法 183 7.5 實驗結果與分析 184 7.5.1 實驗結果 184 7.5.2 改進點效果分析 184 7.6 假陽性肺結節抑制演算法 186 7.6.1 假陽性肺結節抑制網路 186 7.6.2 優化策略 190 7.6.3 推斷策略 192 7.7 實驗結果與分析 192 7.7.1 實驗結果 193 7.7.2 改進點效果分析

193 7.7.3 可疑位置推薦與假陽抑制演算法整合 194 7.8 小結 195 參考文獻 195 第8章 車道線檢測 198 8.1 國內外研究現狀 198 8.2 主要研究內容 200 8.2.1 總體解決方案 200 8.2.2 各階段概述 201 8.3 車道線檢測系統的設計與實現 204 8.3.1 車道線圖像資料標注與篩選 205 8.3.2 車道線圖片預處理 206 8.3.3 車道線分割模型訓練 211 8.3.4 車道線檢測 220 8.3.5 車道線檢測結果 224 8.4 車道線檢測系統的性能測試 224 8.4.1 車道線檢測品質測試 224 8.4.2 車道線檢

測時間測試 226 8.5 小結 227 參考文獻 227 第9章 交通視頻分析 229 9.1 國內外研究現狀 230 9.2 主要研究內容 231 9.2.1 總體設計 231 9.2.2 精度和性能要求 232 9.3 交通視頻分析 232 9.3.1 車輛檢測和車牌檢測 233 9.3.2 車牌識別功能設計詳解 235 9.3.3 車輛品牌及顏色的識別 243 9.3.4 目標跟蹤設計詳解 244 9.4 系統測試 247 9.4.1 車輛檢測 248 9.4.2 車牌檢測 251 9.4.3 車牌識別 253 9.4.4 車輛品牌識別 256 9.4.5 目標跟蹤 259 9.5

小結 259 參考文獻 260  

SSD 品牌 推薦進入發燒排行的影片

人工智慧應用於效益最大之行銷組合選擇

為了解決SSD 品牌 推薦的問題，作者楊得君 這樣論述：

摘要企業的持續成長不論是採用哪一種策略，包括市場滲透(market penetration)、產品開發(product development)、市場開發(market development)或是多角化(diversification)，都要面對一個相同的重要問題，那就是：要設計什麼樣的產品，訂定什麼樣的價格、透過什麼管道去賣產品，以及用什麼方式去推銷產品。將這四個項目的作法綜合運用在一起，就稱為產品的行銷組合(marketing mix)。傳統上，行銷組合的決策會由企業內部的一個委員會共同決定，但是這種方式所做出來的決策，通常是權力、角力和資源爭奪下的產物。即使委員會是由有經驗的人員所組

成，但是僅憑少數幾個人的有限經驗，其實很難應付瞬息萬變的市場變化，因此，最後的結果就是沒有達到期望的行銷目標。為了協助企業提高行銷組合的決策品質，改善企業行銷規劃的績效，本研究提出一個三階段的方法，首先以人工智慧演算法預測規劃的行銷組合的成敗機率，接著以關聯規則演算法歸納行銷組合成敗的關聯邏輯，最後以多目標數學規劃模式篩選效益最大的行銷組合。本研究以一個案例說明所提方法的有效性，結果顯示本研究所提的方法，確實可以系統化，科學化的協助企業改善行銷組合的決策品質，為企業篩選出成功率最高和效益最大的行銷組合。

計算機視覺之深度學習：使用TensorFlow和Keras訓練高級神經網路

為了解決SSD 品牌 推薦的問題，作者（英）拉賈林加帕·尚穆加馬尼 這樣論述：

本書開門見山，直接幫助你準備好訓練高效深度學習模型的環境，以完成各種電腦視覺任務。書中介紹了常見的深度學習架構，如卷積神經網路和遞迴神經網路；講述了如何利用深度學習進行圖像分類、圖像檢索、目標檢測、語義分割等內容。讀完本書，你將能夠開發和訓練自己的深度學習模型，並用它們解決電腦視覺難題。 拉賈林加帕·尚穆加馬尼（Rajalingappaa Shanmugamani），目前在Kairos擔任技術經理。在此之前，曾在新加坡SAP公司擔任深度學習主管，也在創業公司從事過電腦視覺產品的開發和諮詢工作。   在同行評審的期刊和會議上多次發表文章，並在機器學習領域申請了專利。與他人合著

出版了Hands-On Natural Language Processing with Python、Python Reinforcement Learning、Python: Advanced Guide to Artificial Intelligence、TensorFlow Deep Learning Projects等書。 第 1 章 入門 1 1．1 理解深度學習 1 1．1．1 感知機 1 1．1．2 啟動函數 2 1．1．3 人工神經網路 4 1．1．4 訓練神經網路 7 1．1．5 嘗試TensorFlow遊樂場 8 1．1．6 卷積神經網路 8 1．1

．7 迴圈神經網路 10 1．1．8 長短期記憶網路 11 1．2 電腦視覺深度學習 12 1．2．1 分類 12 1．2．2 檢測或定位與分割 12 1．2．3 相似性學習 13 1．2．4 圖像題注 13 1．2．5 生成模型 14 1．2．6 視頻分析 15 1．3 建立開發環境 15 1．3．1 硬體和作業系統 15 1．3．2 安裝套裝軟體 17 1．4 小結 23 第 2 章 圖像分類 24 2．1 在TensorFlow中訓練MNIST模型 24 2．1．1 MNIST資料集 24 2．1．2 載入MNIST數據 25 2．1．3 建立一個感知機 25 2．1．4 構建多層卷積

網路 28 2．2 在Keras中訓練MNIST模型 35 2．2．1 準備資料集 35 2．2．2 構建模型 36 2．3 其他流行的圖像測試資料集 38 2．3．1 CIFAR資料集 38 2．3．2 Fashion-MNIST資料集 38 2．3．3 ImageNet資料集和競賽 39 2．4 更大的深度學習模型 40 2．4．1 AlexNet模型 40 2．4．2 VGG-16模型 41 2．4．3 穀歌Inception-V3模型 42 2．4．4 微軟ResNet-50模型 45 2．4．5 SqueezeNet模型 45 2．4．6 空間變換網路模型 46 2．4．7 Dens

eNet模型 47 2．5 訓練貓與狗的模型 47 2．5．1 準備數據 48 2．5．2 使用簡單CNN進行基準測試 48 2．5．3 增強資料集 49 2．5．4 遷移學習或微調模型 50 2．5．5 在深度學習中微調一些層 51 2．6 開發現實世界的應用 53 2．6．1 選擇正確的模型 53 2．6．2 處理欠擬合和過擬合場景 53 2．6．3 從面部檢測性別和年齡 54 2．6．4 微調服裝模型 54 2．6．5 品牌安全 54 2．7 小結 54 第 3 章 圖像檢索 55 3．1 理解視覺特徵 55 3．1．1 深度學習模型的視覺化啟動 56 3．1．2 嵌入視覺化 57 3

．1．3 DeepDream 60 3．1．4 對抗樣本 64 3．2 模型推斷 65 3．2．1 匯出模型 65 3．2．2 提供訓練好的模型 66 3．3 基於內容的圖像檢索 68 3．3．1 構建檢索流水線 68 3．3．2 有效的檢索 71 3．3．3 使用自編碼器去噪 74 3．4 小結 77 第 4 章 目標檢測 78 4．1 檢測圖像中的目標 78 4．2 探索資料集 79 4．2．1 ImageNet資料集 79 4．2．2 PASCAL VOC挑戰 79 4．2．3 COCO目標檢測挑戰 79 4．2．4 使用指標評估資料集 80 4．3 目標定位演算法 81 4．3．1

使用滑動視窗定位目標 82 4．3．2 將定位看作回歸問題 83 4．4 檢測目標 86 4．4．1 R-CNN（區域卷積神經網路） 86 4．4．2 Fast R-CNN 86 4．4．3 Faster R-CNN 87 4．4．4 SSD（單射多框探測器） 88 4．5 目標檢測API 88 4．5．1 安裝和設置 88 4．5．2 預訓練模型 89 4．5．3 重新訓練目標檢測模型 90 4．5．4 為自動駕駛汽車訓練行人檢測 92 4．6 YOLO目標檢測演算法 92 4．7 小結 94 第 5 章 語義分割 95 5．1 預測圖元 95 5．1．1 診斷醫學圖像 97 5．1．2

通過衛星圖像瞭解地球 97 5．1．3 提供機器人視覺 98 5．2 資料集 98 5．3 語義分割演算法 98 5．3．1 全卷積網路 98 5．3．2 SegNet架構 99 5．3．3 膨脹卷積 103 5．3．4 DeepLab 104 5．3．5 RefiNet 105 5．3．6 PSPnet 106 5．3．7 大卷積核的重要性 106 5．3．8 DeepLab v3 107 5．4 超神經分割 107 5．5 分割衛星圖像 111 5．6 分割實例 113 5．7 小結 114 第 6 章 相似性學習 115 6．1 相似性學習演算法 115 6．1．1 孿生網路 115

6．1．2 FaceNet模型 118 6．1．3 DeepNet模型 120 6．1．4 DeepRank模型 120 6．1．5 視覺推薦系統 121 6．2 人臉分析 122 6．2．1 人臉檢測 122 6．2．2 人臉特徵點和屬性 123 6．2．3 人臉識別 126 6．2．4 人臉聚類 130 6．3 小結 131 第 7 章 圖像題注 132 7．1 瞭解問題和資料集 132 7．2 理解圖像題注的自然語言處理 132 7．2．1 用向量形式表達詞 133 7．2．2 將詞轉換為向量 133 7．2．3 訓練一個嵌入 134 7．3 圖像題注和相關問題的方法 135 7．3．

1 使用條件隨機場來連結圖像和文本 136 7．3．2 在CNN 特徵上使用RNN生成題注 136 7．3．3 使用圖像排序創建題注 138 7．3．4 從圖像檢索題注與從題注檢索圖像 139 7．3．5 密集題注 140 7．3．6 使用RNN生成題注 141 7．3．7 使用多模態度量空間 142 7．3．8 使用注意網路生成題注 143 7．3．9 知道什麼時候查看 143 7．4 實現基於注意力的圖像題注 145 7．5 小結 147 第 8 章 生成模型 148 8．1 生成模型的應用 148 8．1．1 藝術風格遷移 148 8．1．2 預測視頻中的下一幀 149 8．1．3 圖

像的超解析度 150 8．1．4 互動式圖像生成 151 8．1．5 圖像到圖像的翻譯 151 8．1．6 文本到圖像的生成 152 8．1．7 圖像修復 153 8．1．8 圖像混合 153 8．1．9 轉換屬性 154 8．1．10 創建訓練資料 154 8．1．11 創建新的動畫角色 155 8．1．12 照片3D模型 155 8．2 神經藝術風格遷移 156 8．2．1 內容損失 156 8．2．2 使用Gram矩陣的風格損失 160 8．2．3 風格遷移 162 8．3 生成對抗網路 165 8．3．1 vanilla GAN 165 8．3．2 條件GAN 167 8．3．3 對抗

損失 167 8．3．4 圖像翻譯 168 8．3．5 InfoGAN 168 8．3．6 GAN的缺點 169 8．4 視覺對話模型 169 8．5 小結 171 第 9 章 視頻分類 172 9．1 瞭解視頻和視頻分類 172 9．1．1 探索視頻分類資料集 172 9．1．2 將視頻分割成幀 175 9．1．3 視頻分類方法 175 9．2 將基於圖像的方法擴展到視頻 184 9．2．1 人體姿態回歸 184 9．2．2 視頻分割 185 9．2．3 視頻題注 186 9．2．4 視頻生成 188 9．3 小結 188 第10 章 部署 189 10．1 模型的性能 189 10．1

．1 量化模型 189 10．1．2 MobileNets 190 10．2 雲部署 193 10．2．1 AWS 193 10．2．2 Google雲平臺 197 10．3 在設備中部署模型 200 10．3．1 Jetson TX2 200 10．3．2 Android 201 10．3．3 iPhone 201 10．4 小結 202

藉由以注意模組為基礎的卷積神經網路進行時尚服裝品牌識別

為了解決SSD 品牌 推薦的問題，作者陳冠宏 這樣論述：

服裝是人們生活上的必需品，每當出門前都必須思考要穿哪一件衣服出門。隨著時代的發展，我們有越來越多的時尚衣服可以選擇。無論我們在實體的店面或是在線上購物網站選擇時尚服裝時，一定會考慮許多選購時尚服裝的條件。像是時尚服裝的價格高低、選擇哪個品牌的時尚服裝，甚至是時尚服裝的材質好不好。大部分的人在選購時尚服裝當下，除了會先設定購買時尚服裝的風格外，還會考慮要買哪個品牌。現今大多時尚服裝資料庫提供許多服裝相關的資訊，但都缺少品牌這個標籤。這促使我們製作一個帶有品牌標籤的大型時尚服裝資料庫(CBP:A Large-Scale Clothing Dataset with Brand and Price

Information)。並且我們建立一個 CBP dataset sub-datset，選擇其中10個外觀具有明顯 Logo 位置的服裝品牌，進行手動標記 bounding box的資訊，我們稱之為 CBL dataset。提供 15,000 張影像，並每張影像帶有一個以上的 bounding box。我們本篇論文為了解決辨識時尚服裝的任務。我們提出了一個基於YoLov4 [1] 以及Xception [2] 深度卷積神經網路模型的時尚服裝品牌辨識架構，我們稱之為 Multiple Clothing Brand Recognition Network (MCB-Net)。該網路提供兩種服務，

首先進行10個品牌的時尚服裝品牌標誌偵測，因為有些時尚服裝品牌標誌被嚴重遮擋或是某些品牌沒有明顯的標誌在時尚服裝外觀上，而無法被YoLov4 辨識。接著把剩餘沒有辨識成功的時尚服裝由Xception 以及 YoLov3 backbone [3] 雙分支進行辨識，最後一共分類416個時尚服裝品牌，其中包含男生及女生時尚服裝，以及各式時尚服裝樣式。在實驗中，我們證明了我們新提出的MCB-Net可以實現比其他最新技術更好的性能。