本书通过扎实、详细的内容，从理论知识、算法源码、实验结果等方面对深度学习中涉及的算法进行分析和介绍。本书共三篇，第一篇主要介绍深度学习在目标检测与分割方向的前沿算法，包括双阶段检测、单阶段检测、无锚点检测、特征融合、损失函数、语义分割这6个方向；第二篇主要介绍深度学习在场景文字检测与识别方向的重要突破，主要介绍场景文字检测、场景文字识别这两个阶段的算法；第三篇主要介绍深度学习的其他算法与应用，包括图像翻译、图神经网络、二维结构识别、人像抠图、图像预训练、多模态预训练这6个方向的算法。附录部分介绍双线性插值、匈牙利算法、Shift-and-Stitch、德劳内三角化、图像梯度、仿射变换矩阵等内容。
本书结构清晰，内容广度与深度齐备。通过阅读本书，读者可以了解前沿的深度学习算法，扩展自己的算法知识面。无论是从事深度学习科研的教师及学生，还是从事算法落地实践的工作人员，都能从本书中获益。

刘岩，曾先后就读于重庆大学软件工程专业和澳门大学计算机科学专业，分别获得学士和硕士学位，期间发表多篇论文。目前就职于京东零售技术研发与数据中心，主要负责电商场景下的基础算法研究以及内容风控业务，包括风险舆情监控和挖掘、风险电商内容的发现和治理等。擅长前沿人工智能算法的原理分析和落地，先后参与并负责了深度学习多个算法在业务上的落地，例如OCR、公式识别、手势识别、视频抠像、文本分类，预训练词向量模型、语言识别、图神经网络等。知乎账号：大师兄。

第一篇 目标检测与分割
第1章 双阶段检测
1.1 R-CNN
1.1.1 R-CNN检测流程
1.1.2 候选区域提取
1.1.3 预训练及微调
1.1.4 训练数据准备
1.1.5 NMS
1.1.6 小结
1.2 SPP-Net
1.2.1 空间金字塔池化
1.2.2 SPP-Net的推理流程
1.2.3 小结
1.3 Fast R-CNN
1.3.1 Fast R-CNN算法介绍
1.3.2 数据准备
1.3.3 Fast R-CNN网络结构
1.3.4 多任务损失函数
1.3.5 Fast R-CNN的训练细节
1.3.6 Fast R-CNN的推理流程
1.3.7 小结
1.4 Faster R-CNN
1.4.1 区域候选网络
1.4.2 Faster R-CNN的训练
1.4.3 小结
1.5 R-FCN
1.5.1 提出动机
1.5.2 R-FCN的网络
1.5.3 R-FCN结果可视化
1.5.4 小结
1.6 Mask R-CNN
1.6.1 Mask R-CNN的动机
1.6.2 Mask R-CNN详解
1.6.3 小结
1.7 Maskx R-CNN
1.7.1 权值迁移函数τ
1.7.2 Maskx R-CNN的训练
1.7.3 小结
1.8 DCNv1和DCNv2
1.8.1 DCNv1
1.8.2 DCNv2
1.8.3 小结
第2章 单阶段检测
2.1 YOLOv1
2.1.1 YOLOv1的网络结构
2.1.2 损失函数
2.1.3 小结
2.2 SSD和DSSD
2.2.1 SSD
2.2.2 DSSD
……
第二篇 场景文字检测与识别
第三篇 其他算法与应用
附录A 双线性插值
附录B 匈牙利算法
附录C Shift-and-Stitch
附录D 德劳内三角化
附录E 图像梯度
附录F 仿射变换矩阵