計(jì)算機(jī)視覺(jué)

定　價(jià)：￥39.00

作　者：	雙鍇
出版社：	北京郵電大學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787563559466	出版時(shí)間：	2019-12-01	包裝：
開(kāi)本：	其他	頁(yè)數(shù)：		字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　《計(jì)算機(jī)視覺(jué)》介紹關(guān)于計(jì)算機(jī)視覺(jué)的前沿問(wèn)題，特別關(guān)注用深度學(xué)習(xí)方法解決圖像理解方面的任務(wù)。在緒論部分，該書(shū)回顧了計(jì)算機(jī)視覺(jué)近幾十年的發(fā)展歷程，總覽現(xiàn)代計(jì)算機(jī)視覺(jué)的研究?jī)?nèi)容。該書(shū)第2～4章包含計(jì)算機(jī)視覺(jué)的基礎(chǔ)知識(shí)的講解，涉及圖像處理、機(jī)器學(xué)習(xí)以及深度學(xué)習(xí)的基礎(chǔ)知識(shí)，為后續(xù)章節(jié)的內(nèi)容提供了必要的先驗(yàn)知識(shí)。該書(shū)第5～8章講述圖像理解的幾大基礎(chǔ)任務(wù)，包括物體識(shí)別、目標(biāo)檢測(cè)、語(yǔ)義分割、圖片描述以及圖片生成，包含相關(guān)領(lǐng)域經(jīng)典的案例和計(jì)算機(jī)視覺(jué)領(lǐng)域許多前沿的研究。除講解計(jì)算機(jī)視覺(jué)的理論知識(shí)外，該書(shū)還加人各個(gè)算法的具體實(shí)現(xiàn)思路，書(shū)中包含許多可以動(dòng)手實(shí)驗(yàn)的開(kāi)源代碼的入口。使用深度學(xué)習(xí)方法處理圖像理解任務(wù)在該書(shū)中有了全面而系統(tǒng)的講述。

作者簡(jiǎn)介

　　雙鍇，北京郵電大學(xué)，網(wǎng)絡(luò)與交換技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室，副教授，計(jì)算機(jī)學(xué)會(huì)高級(jí)會(huì)員。2008年起開(kāi)始專注于大數(shù)據(jù)技術(shù)，目前研究方向?yàn)榇髷?shù)據(jù)，自然語(yǔ)言處理，計(jì)算機(jī)視覺(jué)，移動(dòng)互聯(lián)網(wǎng)技術(shù)等。以負(fù)責(zé)人身份承擔(dān)了10余項(xiàng)國(guó)家及省部級(jí)科研項(xiàng)目，近40項(xiàng)企業(yè)合作項(xiàng)目。發(fā)表高水平SCI/EI檢索論文80余篇，獲得國(guó)家發(fā)明專利20余項(xiàng)，撰寫(xiě)國(guó)際規(guī)范2篇。

圖書(shū)目錄

第1章緒論
本章思維導(dǎo)圖
1．1 計(jì)算機(jī)視覺(jué)簡(jiǎn)史
1．2 2012年——計(jì)算機(jī)視覺(jué)發(fā)展的新起點(diǎn)
1．3 計(jì)算機(jī)視覺(jué)應(yīng)用
1．4 GPU與并行技術(shù)——深度學(xué)習(xí)和計(jì)算機(jī)視覺(jué)發(fā)展的加速器
1．5 基于卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)視覺(jué)應(yīng)用
1．6 全書(shū)章節(jié)簡(jiǎn)介
本章思考題
本章參考文獻(xiàn)
第2章圖像的表示
本章思維導(dǎo)圖
2．1 色彩學(xué)基礎(chǔ)
2．1．1 三基色原理
2．1．2 彩色模型
2．1．3 小結(jié)
2．2 圖像的數(shù)字化
2．2．1 采樣
2．2．2 量化
2．2．3 圖像的性質(zhì)
2．2．4 像素間的關(guān)系
2．2．5 對(duì)比度
2．2．6 敏銳度
2．2．7 圖像中的噪聲
2．2．8 小結(jié)
2．3 圖像預(yù)處理
2．3．1 灰度化
2．3．2 幾何變換
2．3．3 圖像增強(qiáng)
2．3．4 小結(jié)
2．4 本章總結(jié)
本章思考題
本章參考文獻(xiàn)
第3章特征提取
本章思維導(dǎo)圖
3．1 局部特征點(diǎn)檢測(cè)概述
3．2 角點(diǎn)檢測(cè)
3．2．1 角點(diǎn)介紹
3．2．2 Harris角點(diǎn)
3．2．3 Fast角點(diǎn)
*3．2．4 FAST-ER角點(diǎn)檢測(cè)子
3．2．5 小結(jié)
3．3 斑點(diǎn)檢測(cè)
3．3．1 斑點(diǎn)介紹
3．3．2 LOG斑點(diǎn)檢測(cè)
*3．3．3 DOG斑點(diǎn)檢測(cè)
*3．3．4 DOH斑點(diǎn)檢測(cè)
3．3．5 SIFT斑點(diǎn)檢測(cè)
3．3．6 SURF斑點(diǎn)檢測(cè)
3．3．7 小結(jié)
3．4 特征描述子
3．4．1 特征描述子介紹
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 小結(jié)
3．5 邊緣檢測(cè)
3．5．1 邊緣介紹
3．5．2 邊緣檢測(cè)介紹
3．5．3 邊緣檢測(cè)的基本方法
3．5．4 邊緣檢測(cè)算子的概念
3．5．5 常見(jiàn)的邊緣檢測(cè)算子
3．5．6 梯度算子介紹
3．5．7 梯度的衡量方法
3．5．8 如何用梯度算子實(shí)現(xiàn)邊緣檢測(cè)
3．5．9 小結(jié)
3．6 一階微分邊緣算子
3．6．1 一階微分邊緣算子的基本思想
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 小結(jié)
3．7 二階微分邊緣算子
3．7．1 二階微分邊緣算子的基本思想
3．7．2 Laplace算子
3．7．3 LOG算子
3．7．4 Canny算子
3．7．5 小結(jié)
3．8 基于窗口模板的檢測(cè)方法
3．8．1 SUSAN檢測(cè)方法介紹
3．8．2 小結(jié)
3．9 新興的邊緣檢測(cè)算法
3．9．1 小波分析
3．9．2 模糊算法
3．9．3 人工神經(jīng)網(wǎng)絡(luò)
3．9．4 小結(jié)
3．1 0 本章總結(jié)
本章思考題
本章參考文獻(xiàn)
第4章神經(jīng)網(wǎng)絡(luò)
本章思維導(dǎo)圖
4．1 感知器
4．1．1 基本概念
4．1．2 激活函數(shù)
4．2 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
4．3 前向傳播與反向傳播算法
4．3．1 前向傳播算法
4．3．2 反向傳播算法原理
4．3．3 反向傳播計(jì)算過(guò)程推導(dǎo)
4．4 卷積神經(jīng)網(wǎng)絡(luò)概述
4．5 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
4．6 卷積神經(jīng)網(wǎng)絡(luò)的組成
4．6．1 局部感知
4．6．2 空間排列
4．6．3 參數(shù)共享
4．6．4 卷積
4．6．5 池化層
4．6．6 全連接層
4．6．7 卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)
4．7 卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用
4．8 循環(huán)神經(jīng)網(wǎng)絡(luò)概述
4．9 循環(huán)神經(jīng)網(wǎng)絡(luò)與語(yǔ)言模型
4．1 0 循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
4．1 1 循環(huán)神經(jīng)網(wǎng)絡(luò)的擴(kuò)展與改進(jìn)
4．1 1．1 Simple-RNN
4．1 1．2 雙向循環(huán)神經(jīng)網(wǎng)絡(luò)
4．1 1．3 深度循環(huán)神經(jīng)網(wǎng)絡(luò)
4．1 1．4 長(zhǎng)短期記憶網(wǎng)絡(luò)與門(mén)控循環(huán)單元網(wǎng)絡(luò)
4．1 2 本章總結(jié)
本章思考題
本章參考文獻(xiàn)
第5章物體分類與識(shí)別
本章思維導(dǎo)圖
5．1 從AlexNet到GoogLeNet
5．1．1 AlexNet
5．1．2 VGGNet
5．1．3 GoogLeNet
5．1．4 小結(jié)
5．2 深度殘差網(wǎng)絡(luò)ResNet
5．2．1 平原網(wǎng)絡(luò)的深度限制
5．2．2 ResNet的提出
5．2．3 殘差學(xué)習(xí)突破深度限制
5．2．4 小結(jié)
5．3 遷移學(xué)習(xí)圖像分類
5．3．1 遷移學(xué)習(xí)簡(jiǎn)介
5．3．2 遷移學(xué)習(xí)圖像分類策略
5．3．3 小結(jié)
5．4 本章總結(jié)
本章思考題
本章參考文獻(xiàn)
第6章目標(biāo)檢測(cè)與語(yǔ)義分割
本章思維導(dǎo)圖
6．1 從RCNN到Faster R-CNN
6．1．1 R-CNN網(wǎng)絡(luò)結(jié)構(gòu)
6．1．2 交并比
6．1．3 邊框回歸算法
6．1．4 非極大值抑制
6．1．5 SPP-Net網(wǎng)絡(luò)結(jié)構(gòu)
6．1．6 Fast R-CNN網(wǎng)絡(luò)結(jié)構(gòu)
6．1．7 Faster R-CNN網(wǎng)絡(luò)結(jié)構(gòu)
6．1．8 小結(jié)
6．2 端到端方法：YOLO、SSD
6．2．1 One Stage和TWO Stage方法比較
6．2．2 YOLO網(wǎng)絡(luò)結(jié)構(gòu)
6．2．3 SSD網(wǎng)絡(luò)結(jié)構(gòu)
6．2．4 小結(jié)
6．3 從FCN到Mask R-CNN
6．3．1 FCN網(wǎng)絡(luò)結(jié)構(gòu)
6．3．2 DeepLab網(wǎng)絡(luò)結(jié)構(gòu)
6．3．3 Mask R-CNN網(wǎng)絡(luò)結(jié)構(gòu)
6．3．4 小結(jié)
6．4 本章總結(jié)
本章思考題
本章參考文獻(xiàn)
第7章圖片描述與關(guān)系識(shí)別
本章思維導(dǎo)圖
7．1 單詞、句子在深度學(xué)習(xí)模型中的表示
7．1．1 One-Hot表示
7．1．2 詞嵌入表示
7．1．3 小結(jié)
7．2 Encoder-Decoder模型
7．2．1 Encoder-Decoder基本結(jié)構(gòu)
7．2．2 Attention機(jī)制
7．2．3 小結(jié)
7．3 基于Encoder-Decoder的圖片描述與關(guān)系識(shí)別模型
7．3．1 NIC網(wǎng)絡(luò)模型
7．3．2 基于Attention的圖片描述
7．3．3 小結(jié)
7．4 本章總結(jié)
本章思考題
本章參考文獻(xiàn)
第8章生成對(duì)抗網(wǎng)絡(luò)
本章思維導(dǎo)圖
8．1 GANs模型介紹
8．1．1 生成模型與判別模型
8．1．2 對(duì)抗網(wǎng)絡(luò)思想
8．1．3 詳細(xì)實(shí)現(xiàn)過(guò)程
8．1．4 小結(jié)
8．2 GANs的簡(jiǎn)單理論介紹
8．2．1 GANs的理論靈感
8．2．2 GANs的理論證明
8．2．3 小結(jié)
8．3 GANs的應(yīng)用
8．3．1 文本轉(zhuǎn)圖像——CGAN
8．3．2 照片風(fēng)格轉(zhuǎn)化——CycleGAN
8．3．3 局部變臉術(shù)——StarGAN
8．3．4 定制圖片生成——InfoGAN
8．3．5 小結(jié)
8．4 本章總結(jié)
本章思考題
本章參考文獻(xiàn)