本书聚焦深度学习在计算机视觉领域的理论及应用，简要介绍相关基础知识之后，梳理并剖析经典CNN架构，如AlexNet、ZFNet、VGGNet、Inception、ResNet，改进的ResNeXt、Xception等，改进模块SENet、SKNet，以及适宜于移动端部署的轻量级CNN模型SqueezeNet、MobileNet、ShuffleNet等。本书内容由浅入深、循序渐进，且保持了各章节内容的独立性。读者既可以单独学习每一部分的知识，也可以“按图索骥”找到相应的知识点。本书既可以作为教材使用，也可以作为专业开发者的参考用书。

顾佼佼，山东青岛人，海军航空大学讲师，目前主要从事人工智能与大数据技术、指控与火控技术研究，发表论文30余篇。

序
前?言
第1章?概述
1.1?身边的人工智能
1.2?人工智能、机器学习、大数据、深度学习
1.3?人工智能的发展
1.4?学习建议
1.5?发展历史
1.6?高性能计算力
1.7?军事领域应用场景
1.8?本章小结
第2章?机器学习基础
2.1?机器学习的主要分类
2.2?基本概念
2.3?梯度下降算法
2.4?分类器的数学表示
2.5?线性分类器的训练
2.6?回归问题的数学表示
2.7?本章小结
第3章?深层神经网络
3.1?引入
3.2?常见的深层神经网络结构
3.3?图解神经网络结构
3.4?神经网络的训练
3.5?激活函数：从线性到非线性
3.6?损失函数
3.7?优化算法
3.8?过拟合与正则化
3.9?本章小结
第4章?图像处理与特征工程
4.1?图像的表示形式
4.2?卷积与互相关
4.3?卷积提取图像特征
4.4?特征提取：从特征设计到特征学习
4.5?方向梯度直方图
4.6?本章小结
第5章?卷积神经网络
5.1?视觉系统的启发
5.2?CNN设计思路剖析
5.3?卷积神经网络基本结构
5.4?卷积神经网络的训练
5.5?与传统图像识别框架对比分析
5.6?本章小结
第6章?经典CNN模型（AlexNet、ZFNet、VGGNet）
6.1?CNN模型在CV领域的发展历程
6.2?感受野
6.3?一般架构
6.4?LeNet结构
6.5?AlexNet结构
6.6?ZFNet结构
6.7?NIN结构
6.8?VGGNet结构
6.9?深度回顾
第7章?经典CNN模型（Inception系列2014—2016）
7.1?启发
7.2?GoogLeNet（Inception-V1）分析
7.3?Inception-V2分析
7.4?Inception-V3分析
7.5?Inception-V4分析
第8章?ResNet
8.1?深层网络的退化问题
8.2?残差学习
8.3?ResNet结构
8.4?训练分析
8.5?主要改进思路
8.6?Inception ResNet
8.7?ResNeXt
8.8?Xception
8.9?DenseNet
8.10?VoVNet
第9章?SENet、SKNet中的可用模块
9.1?SENet
9.2?SKNet
9.3?GCNet
9.4?CBAM
第10章?DCN
10.1?提出动机
10.2?基本思想
第11章?移动端之SqueezeNet
11.1?概述
11.2?SqueezeNet网络结构
第12章?MobileNet系列
12.1?MobileNet V1
12.2?MobileNet V2
12.3?网络结构
12.4?性能分析
12.5?总结分析
第13章?ShuffleNet系列
13.1?ShuffleNet V1
13.2?ShuffleNet V2
第14章?网络结构综合应用
14.1?深度学习模型架构
14.2?深度学习原理探究
14.3?1×1卷积深度理解
14.4?网络调优
参考文献
术语表