計(jì)算機(jī)視覺(jué)入門到實(shí)踐

定　價(jià)：￥69.00

作　者：	[印] 阿布辛納夫·達(dá)和奇（Abhinav Dadhich）著，連曉峰譯
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買這本書(shū)可以去

京東 (￥56.90)

ISBN：	9787111662297	出版時(shí)間：	2020-12-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：		字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書(shū)是你了解計(jì)算機(jī)視覺(jué)的一站式指南。利用Python、TensorFlow、Keras和OpenCV的功能執(zhí)行圖像處理、對(duì)象檢測(cè)、特征檢測(cè)等項(xiàng)目。通過(guò)對(duì)卷積神經(jīng)網(wǎng)絡(luò)的介紹，你將學(xué)習(xí)如何使用Keras構(gòu)建深度神經(jīng)網(wǎng)絡(luò)，以及如何使用它對(duì)Fashion-MNIST數(shù)據(jù)集進(jìn)行分類。關(guān)于對(duì)象檢測(cè)，你將學(xué)習(xí)到使用TensorFlow實(shí)現(xiàn)簡(jiǎn)單的面部檢測(cè)器，以及復(fù)雜的基于深度學(xué)習(xí)的對(duì)象檢測(cè)器（例如Faster R-CNN和SSD）的工作原理。你也將學(xué)會(huì)使用FCN模型進(jìn)行語(yǔ)義分割，并使用DeepSORT跟蹤對(duì)象。不僅如此，你還將學(xué)習(xí)到在標(biāo)準(zhǔn)數(shù)據(jù)集上使用視覺(jué)SLAM（vSLAM）技術(shù)，例如ORB-SLAM。本書(shū)適合希望以*實(shí)際的方式理解和實(shí)現(xiàn)與計(jì)算機(jī)視覺(jué)和圖像處理相關(guān)的各種任務(wù)的機(jī)器學(xué)習(xí)從業(yè)人員和深度學(xué)習(xí)學(xué)習(xí)者閱讀。

作者簡(jiǎn)介

　　關(guān)于作者 Abhinav Dadhich是東京ABEJA公司的一名深度學(xué)習(xí)方面的研究以及應(yīng)用開(kāi)發(fā)人員。其專注于為圖像分類、目標(biāo)檢測(cè)、分割等計(jì)算機(jī)視覺(jué)應(yīng)用設(shè)計(jì)深度學(xué)習(xí)模型，并且目前將全部精力都傾注在理解和復(fù)現(xiàn)人類視覺(jué)系統(tǒng)的研究與實(shí)現(xiàn)上。而此前，其一直致力于三維地圖構(gòu)建和機(jī)器人導(dǎo)航領(lǐng)域。Dadhich畢業(yè)于印度IIT Jodhpur學(xué)院，獲得電子工程學(xué)士學(xué)位，并在日本NAIST大學(xué)獲得信息科學(xué)碩士學(xué)位。在GitHub專欄為多個(gè)主題提供注釋和代碼。關(guān)于譯者連曉峰，博士，北京理工大學(xué)模式識(shí)別與智能系統(tǒng)專業(yè)畢業(yè)?，F(xiàn)任北京工商大學(xué)副教授，研究生導(dǎo)師。中國(guó)自動(dòng)化學(xué)會(huì)機(jī)器人競(jìng)賽工作委員會(huì)委員、中國(guó)教育發(fā)展戰(zhàn)略學(xué)會(huì)人工智能與機(jī)器人教育專業(yè)委員會(huì)理事、中國(guó)人工智能學(xué)會(huì)高級(jí)會(huì)員、中國(guó)電子學(xué)會(huì)高級(jí)會(huì)員等。目前從事復(fù)雜系統(tǒng)建模與優(yōu)化控制、智能機(jī)器人、模式識(shí)別與智能系統(tǒng)、智能感知與機(jī)器學(xué)習(xí)、工業(yè)先進(jìn)控制等教學(xué)與科學(xué)研究工作。

圖書(shū)目錄

第1章　計(jì)算機(jī)視覺(jué)快速入門
1.1　什么是計(jì)算機(jī)視覺(jué)
1.2　計(jì)算機(jī)視覺(jué)無(wú)處不在
1.3　入門
1.3.1　讀取圖像
1.3.2　圖像顏色轉(zhuǎn)換
1.4　計(jì)算機(jī)視覺(jué)研究的相關(guān)會(huì)議
1.5　小結(jié)
第2章　庫(kù)、開(kāi)發(fā)平臺(tái)和數(shù)據(jù)集
2.1　庫(kù)及其安裝方法
2.1.1　安裝Anaconda
2.1.2　安裝OpenCV
2.1.3　用于深度學(xué)習(xí)的TensorFlow
2.1.4　用于深度學(xué)習(xí)的Keras
2.2　數(shù)據(jù)集
2.2.1　ImageNet
2.2.2　MNIST
2.2.3　CIFAR-10
2.2.4　Pascal VOC
2.2.5　MSCOCO
2.2.6　TUM RGB-D數(shù)據(jù)集
2.3　小結(jié)
參考文獻(xiàn)
第3章　OpenCV中的圖像濾波和變換
3.1　數(shù)據(jù)集和庫(kù)
3.2　圖像處理
3.3　濾波器概述
3.3.1　線性濾波器
3.3.2　非線性濾波器
3.3.3　圖像梯度
3.4　圖像變換
3.4.1　平移
3.4.2　旋轉(zhuǎn)
3.4.3　仿射變換
3.5　圖像金字塔
3.6　小結(jié)
第4章　什么是特征
4.1　特征用例
4.1.1　數(shù)據(jù)集和庫(kù)
4.1.2　為何特征如此重要
4.2　Harris角點(diǎn)檢測(cè)
4.2.1　FAST特征
4.2.2　ORB特征
4.2.3　黑箱特征
4.2.4　應(yīng)用—在圖像中檢測(cè)目標(biāo)對(duì)象
4.2.5　應(yīng)用—是否相似
4.3　小結(jié)
參考文獻(xiàn)
第5章　卷積神經(jīng)網(wǎng)絡(luò)
5.1　數(shù)據(jù)集和庫(kù)
5.2　神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
5.2.1　一個(gè)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)
5.3　重溫卷積運(yùn)算
5.4　卷積神經(jīng)網(wǎng)絡(luò)
5.4.1　卷積層
5.4.2　激活層
5.4.3　池化層
5.4.4　全連接層
5.4.5　批歸一化
5.4.6　退出
5.5　CNN 實(shí)踐
5.5.1　Fashion-MNIST 分類器訓(xùn)練代碼
5.5.2　CNN 分析
5.5.3　遷移學(xué)習(xí)
5.6　小結(jié)
第6章基于特征的目標(biāo)檢測(cè)
6.1　目標(biāo)檢測(cè)概述
6.2　目標(biāo)檢測(cè)挑戰(zhàn)
6.3　數(shù)據(jù)集和庫(kù)
6.4　目標(biāo)檢測(cè)方法
6.4.1　基于深度學(xué)習(xí)的目標(biāo)檢測(cè)
6.5　小結(jié)
參考文獻(xiàn)
第7章　分割和跟蹤
7.1　數(shù)據(jù)集和庫(kù)
7.2　分割
7.2.1　分割挑戰(zhàn)
7.2.2　用于分割的CNN
7.2.3　FCN的實(shí)現(xiàn)
7.3　跟蹤
7.3.1　跟蹤挑戰(zhàn)
7.3.2　目標(biāo)跟蹤方法
7.4　小結(jié)
參考文獻(xiàn)
第8章　三維計(jì)算機(jī)視覺(jué)
8.1　數(shù)據(jù)集和庫(kù)
8.2　應(yīng)用
8.3　成像原理
8.4　圖像對(duì)齊
8.5　視覺(jué)里程計(jì)
8.6　視覺(jué)SLAM
8.7　小結(jié)
參考文獻(xiàn)
第9章　計(jì)算機(jī)視覺(jué)中的數(shù)學(xué)
9.1　數(shù)據(jù)集和庫(kù)
9.2　線性代數(shù)
9.2.1　向量
9.2.2　矩陣
9.2.3　Hessian矩陣
9.2.4　奇異值分解
9.3　概率論簡(jiǎn)述
9.3.1　什么是隨機(jī)變量
9.3.2　期望
9.3.3　方差
9.3.4　概率分布
9.3.5　聯(lián)合分布
9.3.6　邊緣分布
9.3.7　條件分布
9.3.8　貝葉斯定理
9.4　小結(jié)
第10章　計(jì)算機(jī)視覺(jué)中的機(jī)器學(xué)習(xí)
10.1　什么是機(jī)器學(xué)習(xí)
10.2　機(jī)器學(xué)習(xí)技術(shù)分類
10.2.1　監(jiān)督式學(xué)習(xí)
10.2.2　無(wú)監(jiān)督式學(xué)習(xí)
10.3　維度災(zāi)難
10.4　機(jī)器學(xué)習(xí)的滾球視角
10.5　常用工具
10.5.1　預(yù)處理
10.5.2　后處理
10.6　評(píng)估
10.6.1　準(zhǔn)確率
10.6.2　召回率
10.6.3　F-分?jǐn)?shù)
10.7　小結(jié)