幫助中心 | 我的帳號 | 關於我們

深度學習(基於稀疏和低秩模型)/智能科學與技術叢書

  • 作者:編者:王章陽//(美)傅雲//黃煦濤|責編:曲熠|譯者:黃智瀕
  • 出版社:機械工業
  • ISBN:9787111689348
  • 出版日期:2021/09/01
  • 裝幀:平裝
  • 頁數:220
人民幣:RMB 89 元      售價:
放入購物車
加入收藏夾

內容大鋼
    本書由近幾年發表在各類頂級期刊和國際會議/研討會上的論文集結而成,囊括國內外深度學習研究者的成果,突出了稀疏編碼和低秩模型對於解決深度學習問題的有效性。
    本書關注經典的稀疏模型和低秩模型與深度網路模型的集成,其中,稀疏和低秩模型強調問題特定的先驗性和可解釋性,而深度網路模型具有更強的學習能力,同時能更好地利用大數據。書中深入討論如何將稀疏編碼模型自然地轉換為深度網路,展示深度學習工具箱與稀疏/低秩模型和演算法的緊密聯繫,並介紹這些技術在維度約簡、動作識別、風格識別、親屬關係理解、圖像除霧以及生物醫學圖像分析等方面的成功應用。

作者介紹
編者:王章陽//(美)傅雲//黃煦濤|責編:曲熠|譯者:黃智瀕

目錄
譯者序
前言
主要作者簡介
所有作者列表
第1章  引言
  1.1  深度學習基礎
  1.2  稀疏與低秩模型基礎
  1.3  連接深度學習與稀疏和低秩模型
  1.4  本書章節結構
  1.5  參考文獻
第2章  雙層稀疏編碼:高光譜圖像分類示例
  2.1  引言
  2.2  公式和演算法
    2.2.1  符號表示
    2.2.2  聯合特徵的提取和分類
    2.2.3  雙層優化公式
    2.2.4  演算法
  2.3  實驗
    2.3.1  對AVIRIS印第安納松樹數據的分類性能
    2.3.2  對AVIRIS薩利納斯數據的分類性能
    2.3.3  對帕維亞大學數據的分類性能
  2.4  結論
  2.5  附錄
  2.6  參考文獻
第3章  深度l0編碼器:模型展開示例
  3.1  引言
  3.2  相關工作
    3.2.1  基於l0和l1的稀疏近似
    3.2.2  l1近似的網路實現
  3.3  深度l0編碼器
    3.3.1  深度l0正則化編碼器
    3.3.2  深度M稀疏l0編碼器
    3.3.3  理論屬性
  3.4  任務驅動的優化
  3.5  實驗
    3.5.1  實現
    3.5.2  l0稀疏近似的模擬
    3.5.3  在分類上的應用
    3.5.4  在聚類上的應用
  3.6  結論和關於理論屬性的討論
  3.7  參考文獻
第4章  單幅圖像超解析度:從稀疏編碼到深度學習
  4.1  通過具有稀疏先驗的深度網路實現可靠的單幅圖像超解析度
    4.1.1  引言
    4.1.2  相關研究
    4.1.3  基於稀疏編碼網路的圖像SR
    4.1.4  用於可擴展SR的網路級聯
    4.1.5  真實場景下的魯棒SR
    4.1.6  實現細節
    4.1.7  實驗

    4.1.8  主觀評價
    4.1.9  結論和未來工作
  4.2  學習單幅圖像超解析度的混合深度網路
    4.2.1  引言
    4.2.2  所提出的方法
    4.2.3  實現細節
    4.2.4  實驗結果
    4.2.5  結論和未來工作
  4.3  參考文獻
第5章  從雙層稀疏聚類到深度聚類
  5.1  稀疏編碼和可判別聚類的聯合優化框架
    5.1.1  引言
    5.1.2  模型表示
    5.1.3  面向聚類的成本函數
    5.1.4  實驗
    5.1.5  結論
    5.1.6  附錄
  5.2  學慣用于聚類的任務特定的深度架構
    5.2.1  引言
    5.2.2  相關研究
    5.2.3  模型表示
    5.2.4  深入觀察:DTAGnet的分層聚類
    5.2.5  實驗結果
    5.2.6  結論
  5.3  參考文獻
第6章  信號處理
  6.1  深度優化的壓縮感測技術
    6.1.1  背景
    6.1.2  壓縮感測的端到端優化模型
    6.1.3  DOCS:前饋CS和聯合優化CS
    6.1.4  實驗
    6.1.5  結論
  6.2  用於語音去噪的深度學習
    6.2.1  引言
    6.2.2  用於光譜去噪的神經網路
    6.2.3  實驗結果
    6.2.4  結論和未來工作
  6.3  參考文獻
第7章  維度約簡
  7.1  帶有局部限制的邊緣化去噪字典學習
    7.1.1  引言
    7.1.2  相關研究
    7.1.3  帶有局部限制的邊緣化去噪字典學習模型
    7.1.4  實驗
    7.1.5  結論
    7.1.6  未來工作
  7.2  學慣用于哈希的深度∞編碼器
    7.2.1  引言
    7.2.2  ADMM演算法
    7.2.3  深度l∞編碼器

    7.2.4  用於哈希的深度∞連體網路
    7.2.5  圖像哈希實驗
    7.2.6  結論
  7.3  參考文獻
第8章  動作識別
  8.1  跨視角動作識別的深度學習的視角不變特徵
    8.1.1  引言
    8.1.2  相關工作
    8.1.3  深度學習的視角不變特徵
    8.1.4  實驗
  8.2  基於混合神經網路的深度攝像機動作識別
    8.2.1  引言
    8.2.2  相關工作
    8.2.3  混合卷積遞歸神經網路
    8.2.4  實驗
  8.3  結論
  8.4  參考文獻
第9章  風格識別和親屬關係理解
  9.1  基於深度學習的風格分類
    9.1.1  背景
    9.1.2  棧式自編碼器的預備知識
    9.1.3  風格中心化自編碼器
    9.1.4  共識風格中心化自編碼器
    9.1.5  實驗
  9.2  可視化親屬關係理解
    9.2.1  背景
    9.2.2  相關工作
    9.2.3  家族面部
    9.2.4  正則化並行自編碼器
    9.2.5  實驗結果
  9.3  研究挑戰和未來工作
  9.4  參考文獻
第10章  圖像除霧:改進技術
  10.1  引言
  10.2  回顧和任務描述
    10.2.1  霧建模和除霧方法
    10.2.2  RESIDE數據集
  10.3  任務1:除霧恢復
  10.4  任務2:用於檢測的除霧
    10.4.1  解決方案集1:增強級聯中的除霧和檢測模塊
    10.4.2  解決方案集2:域自適應Mask-RCNN
  10.5  結論
  10.6  參考文獻
第11章  生物醫學圖像分析:自動肺癌診斷
  11.1  引言
  11.2  相關研究
  11.3  方法論
  11.4  實驗
  11.5  結論
  11.6  致謝

  11.7  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