《深入理解计算机视觉：在边缘端构建高效的目标检测应用》按实战项目研发的先后顺序，介绍了目标检测神经网络从研发到运营的全生命周期。首先介绍了目标检测场景下的图片标注方法和数据格式，以及与之密切相关的特征融合网络和预测网络；介绍了数据“后处理”所涉及的 NMS 算法及其变种，在此基础上，读者只需结合各式各样的骨干网络就可以搭建完整的一阶段目标检测神经网络模型。接下来介绍了神经网络的动态模式和静态模式两种训练方法，以及训练过程中的数据监控和异常处理。最后以亚马逊云和谷歌 Coral 开发板为例，介绍了神经网络的云端部署和边缘端部署。其中，对于边缘端部署，本书还详细介绍了神经网络量化模型的基础原理和模型编译逻辑，这对将神经网络转化为可独立交付的产品至关重要。 《深入理解计算机视觉：在边缘端构建高效的目标检测应用》还结合智慧交通、智慧后勤、自动驾驶等项目，介绍了计算机视觉数据增强技术和神经网络性能评估原理，以及边缘计算网关、边缘计算系统、自动驾驶数据的计算原理和 PointNet++等多个三维目标检测神经网络，帮助读者快速将计算机视觉技术运用到实际生产中。 《深入理解计算机视觉：在边缘端构建高效

⋘7.5.1前景误差和背景误差的定义