计算机视觉

第1章 绪论
本章思维导图
1．1 计算机视觉简史
1．2 2012年——计算机视觉发展的新起点
1．3 计算机视觉应用
1．4 GPU与并行技术——深度学习和计算机视觉发展的加速器
1．5 基于卷积神经网络的计算机视觉应用
1．6 全书章节简介
本章思考题
本章参考文献

第2章 图像的表示
本章思维导图
2．1 色彩学基础
2．1．1 三基色原理
2．1．2 彩色模型
2．1．3 小结
2．2 图像的数字化
2．2．1 采样
2．2．2 量化
2．2．3 图像的性质
2．2．4 像素间的关系
2．2．5 对比度
2．2．6 敏锐度
2．2．7 图像中的噪声
2．2．8 小结
2．3 图像预处理
2．3．1 灰度化
2．3．2 几何变换
2．3．3 图像增强
2．3．4 小结
2．4 本章总结
本章思考题
本章参考文献

第3章 特征提取
本章思维导图
3．1 局部特征点检测概述
3．2 角点检测
3．2．1 角点介绍
3．2．2 Harris角点
3．2．3 Fast角点
*3．2．4 FAST-ER角点检测子
3．2．5 小结
3．3 斑点检测
3．3．1 斑点介绍
3．3．2 LOG斑点检测
*3．3．3 DOG斑点检测
*3．3．4 DOH斑点检测
3．3．5 SIFT斑点检测
3．3．6 SURF斑点检测
3．3．7 小结
3．4 特征描述子
3．4．1 特征描述子介绍
3．4．2 BRIEF描述子
3．4．3 ORB特征提取算法
3．4．4 BRISK特征提取算法
3．4．5 FREAK特征提取算法
3．4．6 小结
3．5 边缘检测
3．5．1 边缘介绍
3．5．2 边缘检测介绍
3．5．3 边缘检测的基本方法
3．5．4 边缘检测算子的概念
3．5．5 常见的边缘检测算子
3．5．6 梯度算子介绍
3．5．7 梯度的衡量方法
3．5．8 如何用梯度算子实现边缘检测
3．5．9 小结
3．6 一阶微分边缘算子
3．6．1 一阶微分边缘算子的基本思想
3．6．2 Roberts算子
3．6．3 Prewitt算子
3．6．4 Sobel算子
3．6．5 Kirsch算子
3．6．6 小结
3．7 二阶微分边缘算子
3．7．1 二阶微分边缘算子的基本思想
3．7．2 Laplace算子
3．7．3 LOG算子
3．7．4 Canny算子
3．7．5 小结
3．8 基于窗口模板的检测方法
3．8．1 SUSAN检测方法介绍
3．8．2 小结
3．9 新兴的边缘检测算法
3．9．1 小波分析
3．9．2 模糊算法
3．9．3 人工神经网络
3．9．4 小结
3．1 0 本章总结
本章思考题
本章参考文献

第4章 神经网络
本章思维导图
4．1 感知器
4．1．1 基本概念
4．1．2 激活函数
4．2 神经网络基础
4．3 前向传播与反向传播算法
4．3．1 前向传播算法
4．3．2 反向传播算法原理
4．3．3 反向传播计算过程推导
4．4 卷积神经网络概述
4．5 卷积神经网络结构
4．6 卷积神经网络的组成
4．6．1 局部感知
4．6．2 空间排列
4．6．3 参数共享
4．6．4 卷积
4．6．5 池化层
4．6．6 全连接层
4．6．7 卷积神经网络架构
4．7 卷积神经网络的应用
4．8 循环神经网络概述
4．9 循环神经网络与语言模型
4．1 0 循环神经网络结构
4．1 1 循环神经网络的扩展与改进
4．1 1．1 Simple-RNN
4．1 1．2 双向循环神经网络
4．1 1．3 深度循环神经网络
4．1 1．4 长短期记忆网络与门控循环单元网络
4．1 2 本章总结
本章思考题
本章参考文献

第5章 物体分类与识别
本章思维导图
5．1 从AlexNet到GoogLeNet
5．1．1 AlexNet
5．1．2 VGGNet
5．1．3 GoogLeNet
5．1．4 小结
5．2 深度残差网络ResNet
5．2．1 平原网络的深度限制
5．2．2 ResNet的提出
5．2．3 残差学习突破深度限制
5．2．4 小结
5．3 迁移学习图像分类
5．3．1 迁移学习简介
5．3．2 迁移学习图像分类策略
5．3．3 小结
5．4 本章总结
本章思考题
本章参考文献

第6章 目标检测与语义分割
本章思维导图
6．1 从RCNN到Faster R-CNN
6．1．1 R-CNN网络结构
6．1．2 交并比
6．1．3 边框回归算法
6．1．4 非极大值抑制
6．1．5 SPP-Net网络结构
6．1．6 Fast R-CNN网络结构
6．1．7 Faster R-CNN网络结构
6．1．8 小结
6．2 端到端方法：YOLO、SSD
6．2．1 One Stage和TWO Stage方法比较
6．2．2 YOLO网络结构
6．2．3 SSD网络结构
6．2．4 小结
6．3 从FCN到Mask R-CNN
6．3．1 FCN网络结构
6．3．2 DeepLab网络结构
6．3．3 Mask R-CNN网络结构
6．3．4 小结
6．4 本章总结
本章思考题
本章参考文献

第7章 图片描述与关系识别
本章思维导图
7．1 单词、句子在深度学习模型中的表示
7．1．1 One-Hot表示
7．1．2 词嵌入表示
7．1．3 小结
7．2 Encoder-Decoder模型
7．2．1 Encoder-Decoder基本结构
7．2．2 Attention机制
7．2．3 小结
7．3 基于Encoder-Decoder的图片描述与关系识别模型
7．3．1 NIC网络模型
7．3．2 基于Attention的图片描述
7．3．3 小结
7．4 本章总结
本章思考题
本章参考文献

第8章 生成对抗网络
本章思维导图
8．1 GANs模型介绍
8．1．1 生成模型与判别模型
8．1．2 对抗网络思想
8．1．3 详细实现过程
8．1．4 小结
8．2 GANs的简单理论介绍
8．2．1 GANs的理论灵感
8．2．2 GANs的理论证明
8．2．3 小结
8．3 GANs的应用
8．3．1 文本转图像——CGAN
8．3．2 照片风格转化——CycleGAN
8．3．3 局部变脸术——StarGAN
8．3．4 定制图片生成——InfoGAN
8．3．5 小结
8．4 本章总结
本章思考题
本章参考文献