×
暂无评论
图文详情
  • ISBN:9787563559466
  • 装帧:一般胶版纸
  • 册数:暂无
  • 重量:暂无
  • 开本:26cm
  • 页数:171页
  • 出版时间:2020-01-01
  • 条形码:9787563559466 ; 978-7-5635-5946-6

本书特色

本书介绍关于计算机视觉的前沿问题,特别关注用深度学习方法解决图像理解方面的任务。在绪论部分,本书回顾了计算机视觉近几十年的发展历程,总览现代计算机视觉的研究内容。本书第2~4章包含计算机视觉的基础知识的讲解,涉及图像处理、机器学习以及深度学习的基础知识,为后续章节的内容提供了必要的先验知识。本书第5~8章讲述图像理解的几大基础任务,包括物体识别、目标检测、语义分割、图片描述以及图片生成,包含相关领域*为经典的案例和计算机视觉领域许多前沿的研究。除讲解计算机视觉的理论知识外,本书还加入各个算法的具体实现思路,书中包含许多可以动手实验的开源代码的入口。使用深度学习方法处理图像理解任务在本书中有了全面而系统的讲述。 精彩片段: 这是一本关于使用深度学习方法处理计算机视觉任务的教材。 * 图文结合,文字简练,力求让读者能够快速入门,全书仅170页。 * 为读者提供了丰富的扩展阅读材料和具体技术细节,扫描二维码即可轻松获得。

内容简介

本书主要探讨当前计算机视觉方面的前沿问题, 特别关注于深度学习在计算机视觉领域的应用。内容包括: 图像的表示 ; 特征提取 ; 神经网络 ; 物体分类与识别等。

目录

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

展开全部

作者简介

双锴,北京邮电大学,网络与交换技术国家重点实验室,副教授,计算机学会高级会员。2008年起开始专注于大数据技术,目前研究方向为大数据,自然语言处理,计算机视觉,移动互联网技术等。以负责人身份承担了10余项国家及省部级科研项目,近40项企业合作项目。发表高水平SCI/EI检索论文80余篇,获得国家发明专利20余项,撰写国际规范2篇。

预估到手价 ×

预估到手价是按参与促销活动、以最优惠的购买方案计算出的价格(不含优惠券部分),仅供参考,未必等同于实际到手价。

确定
快速
导航