本书在介绍深度学习、百度飞桨等相关知识的基础上，着重介绍了图像分类、目标检测、语义分割、人体关键点检测、图像生成、视频分类、图像文本检测和识别、图像识别等计算机视觉任务的实现原理及深度学习模型框架，并通过具体案例来详细介绍各任务的实现细节。 全书分为理论篇和实战篇。理论篇(第1～4章)梳理了计算机视觉技术的发展历程、主要任务、行业应用系统，同时简要介绍了深度学习开发框架、飞桨(PaddlePaddle)开发平台，以及深度学习的基础知识与网络模型架构。实战篇(第5～12章)结合计算机视觉的各个任务要求与技术发展，对其中经典的深度学习算法模型进行介绍。全书提供了实例代码，详解了在飞桨开发框架下各任务的模型实现过程。 本书适合作为高等院校人工智能、计算机视觉专业高年级本科生、研究生的教材，同时可作为计算机视觉相关任务实践教程，也可以作为科研工作者的参考书籍。

理论篇
第1章 计算机视觉概述
1.1 计算机视觉技术的发展
1.2 计算机视觉任务概述
1.2.1 计算机视觉经典任务
1.2.2 计算机视觉常见任务
1.3 计算机视觉处理应用系统
1.3.1 计算机视觉行业产业链
1.3.2 计算机视觉行业应用系统
1.4 计算机视觉处理常用工具
1.4.1 OpenCV简介
1.4.2 OpenCV-Python
1.4.3 OpenCV的基础模块
1.4.4 其他CV常用工具
1.5 本章小结
参考文献
第2章 深度学习开发框架
2.1 常见的深度学习开发框架
2.1.1 TensorFlow深度学习开发框架
2.1.2 PyTorch深度学习开发框架
2.1.3 PaddlePaddle深度学习开发框架
2.2 飞桨基础
2.2.1 开发环境
2.2.2 开发套件
2.2.3 工具组件
2.2.4 开发平台
2.3 本章小结
参考文献
第3章 深度学习算法基础
3.1 机器学习
3.2 神经网络的基本组成
3.2.1 神经元
3.2.2 神经网络的结构
3.3 神经网络的计算
3.3.1 激活函数
3.3.2 正向传播
3.3.3 反向传播
3.3.4 优化算法
3.4 卷积神经网络的基本组成
3.4.1 卷积层
3.4.2 池化层
3.4.3 ReLU激活函数
3.4.4 全连接层
3.5 深度学习模型的训练技巧
3.5.1 归一化
3.5.2 丢弃法
3.5.3 权重衰减
3.5.4 参数初始化
3.6 本章小结
参考文献
第4章 深度学习网络模型
4.1 深度学习网络架构
4.2 代表性的网络模型
4.2.1 卷积神经网络模型
4.2.2 循环神经网络模型
4.2.3 Transformer网络模型
4.2.4 复杂MLP网络模型
4.3 网络搭建案例
4.3.1 环境准备
4.3.2 数据准备
4.3.3 模型构建
4.3.4 模型训练与验证
4.3.5 模型可视化
4.4 本章小结
参考文献
……
实战篇
第5章 图像分类算法原理与实战
第6章 目标检测算法原理与实战
第7章 语义分割算法原理与实战
第8章 人体关键点检测原理与实战
第9章 图像生成算法原理与实战
第10章 视频分类原理与实战
第11章 图像文本检测和识别原理与实战
第12章 图像识别原理与实战
参考文献