幫助中心 | 我的帳號 | 關於我們

卷積神經網路與電腦視覺/智能科學與技術叢書

  • 作者:(澳)薩爾曼·汗//海珊·拉哈馬尼//賽義德·阿法克·阿里·沙//穆罕默德·本納努恩|譯者:黃智瀕//戴志濤
  • 出版社:機械工業
  • ISBN:9787111622888
  • 出版日期:2019/04/01
  • 裝幀:平裝
  • 頁數:184
人民幣:RMB 99 元      售價:
放入購物車
加入收藏夾

內容大鋼
    本書自成一體,如果你既想了解CNN的原理,又想獲得將CNN應用於電腦視覺的一手經驗,那麼本書將非常適合閱讀。書中對CNN進行了全面介紹,首先是神經網路的基本概念:訓練、正則化和優化。然後討論了各種各樣的損失函數、網路層和流行的CNN架構,回顧了評價CNN的不同技術,並介紹了一些常用的CNN工具和庫。此外,本書還分析了CNN在電腦視覺中的應用案例,包括圖像分類、對象檢測、語義分割、場景理解和圖像生成。

作者介紹
(澳)薩爾曼·汗//海珊·拉哈馬尼//賽義德·阿法克·阿里·沙//穆罕默德·本納努恩|譯者:黃智瀕//戴志濤

目錄
譯者序
前言
致謝
作者簡介
第1章  簡介
  1.1  什麼是電腦視覺
    1.1.1  應用案例
    1.1.2  圖像處理與電腦視覺
  1.2  什麼是機器學習
    1.2.1  為什麼需要深度學習
  1.3  本書概覽
第2章  特徵和分類器
  2.1  特徵和分類器的重要性
    2.1.1  特徵
    2.1.2  分類器
  2.2  傳統特徵描述符
    2.2.1  方向梯度直方圖
    2.2.2  尺度不變特徵變換
    2.2.3  加速健壯特徵
    2.2.4  傳統的手工工程特徵的局限性
  2.3  機器學習分類器
    2.3.1  支持向量機
    2.3.2  隨機決策森林
  2.4  總結
第3章  神經網路基礎
  3.1  引言
  3.2  多層感知機
    3.2.1  基礎架構
    3.2.2  參數學習
  3.3  循環神經網路
    3.3.1  基礎架構
    3.3.2  參數學習
  3.4  與生物視覺的關聯
    3.4.1  生物神經元模型
    3.4.2  神經元的計算模型
    3.4.3  人工神經元與生物神經元
第4章  卷積神經網路
  4.1  引言
  4.2  神經網路層
    4.2.1  預處理
    4.2.2  卷積層
    4.2.3  池化層
    4.2.4  非線性
    4.2.5  全連接層
    4.2.6  轉置卷積層
    4.2.7  感興趣區域的池化層
    4.2.8  空間金字塔池化層
    4.2.9  局部特徵聚合描述符層
    4.2.10  空間變換層
  4.3  CNN損失函數

    4.3.1  交叉熵損失函數
    4.3.2  SVM鉸鏈損失函數
    4.3.3  平方鉸鏈損失函數
    4.3.4  歐幾里得損失函數
    4.3.5  ?1誤差
    4.3.6  對比損失函數
    4.3.7  期望損失函數
    4.3.8  結構相似性度量
第5章  CNN學習
  5.1  權重初始化
    5.1.1  高斯隨機初始化
    5.1.2  均勻隨機初始化
    5.1.3  正交隨機初始化
    5.1.4  無監督的預訓練
    5.1.5  澤維爾(Xavier)初始化
    5.1.6  ReLU敏感的縮放初始化
    5.1.7  層序單位方差
    5.1.8  有監督的預訓練
  5.2  CNN的正則化
    5.2.1  數據增強
    5.2.2  隨機失活
    5.2.3  隨機失連
    5.2.4  批量歸一化
    5.2.5  集成模型平均
    5.2.6  e2正則化
    5.2.7  e1正則化
    5.2.8  彈性網正則化
    5.2.9  最大范數約束
    5.2.10  早停
  5.3  基於梯度的CNN學習
    5.3.1  批量梯度下降
    5.3.2  隨機梯度下降
    5.3.3  小批量梯度下降
  5.4  神經網路優化器
    5.4.1  動量
    5.4.2  涅斯捷羅夫動量
    5.4.3  自適應梯度
    5.4.4  自適應增量
    5.4.5  RMSprop
    5.4.6  自適應矩估計
  5.5  CNN中的梯度計算
    5.5.1  分析微分法
    5.5.2  數值微分法
    5.5.3  符號微分法
    5.5.4  自動微分法
  5.6  通過可視化理解CNN
    5.6.1  可視化學習的權重
    5.6.2  可視化激活
    5.6.3  基於梯度的可視化
第6章  CNN架構的例子

  6.1  LeNet
  6.2  AlexNet
  6.3  NiN
  6.4  VGGnet
  6.5  GoogleNet
  6.6  ResNet
  6.7  ResNeXt
  6.8  FractalNet
  6.9  DenseNet
第7章  CNN在電腦視覺中的應用
  7.1  圖像分類
    7.1.1  PointNet
  7.2  目標檢測與定位
    7.2.1  基於區域的CNN
    7.2.2  快速R-CNN
    7.2.3  區域建議網路
  7.3  語義分割
    7.3.1  全卷積網路
    7.3.2  深度反卷積網路
    7.3.3  DeepLab
  7.4  場景理解
    7.4.1  DeepContext
    7.4.2  從RGB?D圖像中學習豐富的特徵
    7.4.3  用於場景理解的PointNet
  7.5  圖像生成
    7.5.1  生成對抗網路
    7.5.2  深度卷積生成對抗網路
    7.5.3  超解析度生成對抗網路
  7.6  基於視頻的動作識別
    7.6.1  靜止視頻幀的動作識別
    7.6.2  雙流CNN
    7.6.3  長期遞歸卷積網路
第8章  深度學習工具和庫
  8.1  Caffe
  8.2  TensorFlow
  8.3  MatConvNet
  8.4  Torch7
  8.5  Theano
  8.6  Keras
  8.7  Lasagne
  8.8  Marvin
  8.9  Chainer
  8.10  PyTorch
第9章  結束語
  9.1  本書概要
  9.2  未來研究方向
術語表
參考文獻

  • 商品搜索:
  • | 高級搜索
首頁新手上路客服中心關於我們聯絡我們Top↑
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話:02-2381-2033 02-2381-1863 時間:週一-週五 10:00-17:00
 服務信箱:bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證:浙B2-20060032