幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

電腦視覺中的深度學習

  • 作者：編者:姜竹青//門愛東//王海嬰|責編:張瑞喜
  • 出版社：電子工業
  • ISBN：9787121411922
  • 出版日期：2021/06/01
  • 裝幀：平裝
  • 頁數：318
人民幣：RMB 98 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    人工智慧相比於人力而言具有低成本、高效率和全天候等巨大優勢，但其發展往往不能全面滿足實際場景的旺盛需求。近年來人工智慧與電腦視覺的結合日益緊密，基於深度學習研究電腦視覺成為一個新方向。深度學習的特點是層次化的特徵提取、規模更大、數據更多、計算更複雜。本書從介紹電腦視覺的任務入手，總結從傳統手工提取特徵方法到深度學習的發展歷程。然後，針對不同層次的電腦視覺任務，結合作者團隊近年來的研究成果，以及部分學界公認的里程碑式成果，從理論層面論述深度學習在具體電腦視覺任務中的應用。
    本書作者來自北京郵電大學長期從事多媒體技術教學和研究的一線教師。本書適合從事圖像和視頻的處理和理解的研究人員、相關領域軟體開發人員或研究生閱讀。
作者介紹
編者:姜竹青//門愛東//王海嬰|責編:張瑞喜
目錄
第1章  電腦視覺及其任務
  1.1  電腦視覺的定義
  1.2  電腦視覺的發展沿革
  1.3  電腦視覺的主要任務及其應用
    1.3.1  圖像恢復
    1.3.2  圖像識別
    1.3.3  動作分析
    1.3.4  場景重建
    1.3.5  行人再識別
  1.4  本章小結
  本章參考文獻
第2章  手工特徵
  2.1  初級圖像特徵
    2.1.1  顏色特徵
    2.1.2  紋理特徵
    2.1.3  形狀特徵
  2.2  中級圖像特徵
    2.2.1  Haar-like特徵
    2.2.2  SIFT特徵
    2.2.3  SURF特徵
  2.3  本章小結
  本章參考文獻
第3章  神經網路基礎理論
  3.1  神經元概述
    3.1.1  感知器
    3.1.2  激活函數
    3.1.3  神經元模型
  3.2  神經網路基礎結構
    3.2.1  兩層神經網路模型
    3.2.2  前饋神經網路和循環神經網路
    3.2.3  神經網路中的參數
  3.3  神經網路訓練
    3.3.1  權重初始化
    3.3.2  偏置初始化
    3.3.3  前向傳播
    3.3.4  損失函數
    3.3.5  反向傳播
    3.3.6  參數更新
    3.3.7  批歸一化
    3.3.8  正則化
  3.4  常見的神經元模型
    3.4.1  空間信息處理單元
    3.4.2  時間信息處理單元
  3.5  本章小結
  本章參考文獻
第4章  神經網路結構
  4.1  LENET5
  4.2  ALEXNET
  4.3  VGGNET
  4.4  INCEPTION

  4.5  RESNET
  4.6  DENSENET
  4.7  MOBILENET
  4.8  FCN
  4.9  本章小結
  本章參考文獻
第5章  目標分割
  5.1  目標分割技術概述
    5.1.1  目標分割技術基本理論與模型
    5.1.2  目標分割技術概述
    5.1.3  評價標準
  5.2  基於深度學習多路徑特徵融合的圖像語義分割
    5.2.1  特點
    5.2.2  基於VGGNet的多路徑特徵融合演算法
    5.2.3  基於ResNet的多路徑特徵融合演算法
  5.3  基於模糊邏輯的多特徵視頻運動目標分割
    5.3.1  特點
    5.3.2  演算法
    5.3.3  實驗
  5.4  目標分割未來趨勢
  本章參考文獻
第6章  目標檢測
  6.1  目標檢測演算法概述
    6.1.1  演算法概述
    6.1.2  評價指標
  6.2  傳統目標檢測方法
    6.2.1  區域選擇演算法
    6.2.2  典型人工圖像特徵
    6.2.3  分類器類型及訓練
  6.3  基於候選區域的目標檢測方法
    6.3.1  R-CNN的實現
    6.3.2  SPP-net的實現
    6.3.3  Fast R-CNN的實現
    6.3.4  Faster R-CNN的實現
  6.4  基於回歸的目標檢測
    6.4.1  YOLO的實現
    6.4.2  SSD的實現
    6.4.3  YOLOv2的改進
  6.5  改進演算法拾萃
    6.5.1  困難樣本挖掘
    6.5.2  YOLOv2損失函數
    6.5.3  基於上下文信息的SSD改進
    6.5.4  多特徵多尺度融合
  6.6  目標檢測未來趨勢
  本章參考文獻
第7章  目標跟蹤
  7.1  目標跟蹤技術概述
    7.1.1  目標跟蹤演算法基本理論與模型
    7.1.2  目標跟蹤演算法概述
    7.1.3  評價標準

  7.2  平衡正負樣本權重的多示例學習跟蹤演算法
    7.2.1  MIL跟蹤演算法
    7.2.2  平衡正負樣本權重
  7.3  基於核化相關濾波器的視覺目標跟蹤演算法研究與改進
    7.3.1  基於相關濾波器的目標跟蹤演算法
    7.3.2  自適應模板更新的目標跟蹤演算法
    7.3.3  CNN和相關濾波結合的跟蹤演算法
  7.4  基於中心對比CNN的目標跟蹤演算法研究
    7.4.1  逐任務驅動的CNN目標跟蹤演算法
    7.4.2  中心對比CNN目標跟蹤演算法
    7.4.3  小運動優先的視覺目標跟蹤演算法
  7.5  目標跟蹤未來趨勢
  本章參考文獻
第8章  行人再識別
  8.1  行人再識別技術概述
    8.1.1  行人再識別技術基本理論與模型
    8.1.2  行人再識別技術簡介
    8.1.3  評價標準
  8.2  基於ADARANK進行特徵集成的行人再識別演算法
    8.2.1  演算法特點
    8.2.2  演算法細節
    8.2.3  實驗結果
  8.3  基於增強深度特徵的行人再識別演算法
    8.3.1  演算法特點
    8.3.2  引入注意力機制的網路模型
    8.3.3  引入手工特徵：LOMO特徵融合到多級注意力識別——驗證網路
  8.4  基於屬性和身份特徵融合的行人再識別演算法
    8.4.1  特點
    8.4.2  演算法
    8.4.3  實驗
  8.5  行人再識別未來趨勢
  本章參考文獻
第9章  圖像壓縮
  9.1  有損壓縮和無損壓縮
    9.1.1  無損壓縮
    9.1.2  有損壓縮
  9.2  經典的有損圖像壓縮方法
    9.2.1  JPEG
    9.2.2  JPEG 2000
    9.2.3  BPG
  9.3  基於深度學習的圖像壓縮技術
  9.4  基於空間能量壓縮的圖像壓縮
    9.4.1  演算法特點
    9.4.2  演算法細節
    9.4.3  實驗結果
  9.5  利用卷積神經網路進行內容加權的圖像壓縮
    9.5.1  演算法特點
    9.5.2  演算法細節
    9.5.3  實驗結果
  9.6  基於生成式對抗網路的圖像壓縮

    9.6.1  演算法特點
    9.6.2  演算法細節
    9.6.3  實驗結果
  9.7  圖像壓縮未來趨勢
  本章參考文獻
第10章  超解析度重建
  10.1  超解析度技術概述
    10.1.1  超解析度技術的基本理論與模型
    10.1.2  超解析度技術概述
  10.2  基於深度殘差網路注意力機制的圖像超解析度重建
    10.2.1  存在的問題
    10.2.2  提出的解決方案
    10.2.3  具體實現細節
    10.2.4  實驗結果比較分析
  10.3  基於增強的可變形卷積網路的視頻超解析度
    10.3.1  視頻超解析度
    10.3.2  存在的問題
    10.3.3  針對存在的問題提出的解決方案
    10.3.4  具體實現
    10.3.5  實驗對比
  10.4  真實原始感測器數據的超解析度重建
    10.4.1  存在的問題
    10.4.2  針對問題提出的解決方案
    10.4.3  具體實現細節
    10.4.4  實驗對比
  10.5  超解析度重建未來趨勢
  本章參考文獻
第11章  圖像去噪技術
  11.1  圖像去噪技術概述
    11.1.1  圖像去噪基本理論與模型
    11.1.2  圖像去噪演算法
    11.1.3  評價標準
  11.2  去噪卷積神經網路
    11.2.1  演算法特點
    11.2.2  存在問題
    11.2.3  演算法細節
    11.2.4  實驗結果
  11.3  盲去噪卷積神經網路
    11.3.1  演算法特點
    11.3.2  存在問題
    11.3.3  演算法細節
    11.3.4  實驗
  11.4  真實圖像去噪神經網路
    11.4.1  特點
    11.4.2  存在問題
    11.4.3  演算法細節
    11.4.4  實驗
    11.4.5  總結
  11.5  圖像去噪未來趨勢
  本章參考文獻

附錄A  術語與縮略詞表

  • 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