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

深度學習與圖像複原/人工智慧前沿理論與實踐應用叢書

  • 作者：田春偉//左旺孟|責編:馮琦
  • 出版社：電子工業
  • ISBN：9787121483042
  • 出版日期：2024/09/01
  • 裝幀：平裝
  • 頁數：197
人民幣：RMB 88 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    隨著數字技術的飛速發展，圖像已成為一種至關重要的信息載體，無論是社交媒體上的圖像分享、新聞報道中的圖像應用，還是醫療領域的圖像分析，數字圖像都以其獨特的直觀性和高效性廣泛滲透於人們日常生活的諸多領域。然而，圖像質量往往受到相機晃動、雜訊干擾和光照不足等多種因素的影響，這給精確的圖像分析帶來了巨大挑戰。圖像複原技術可以消除受損圖像中的干擾信號，並重構高質量圖像。為此，本書深入剖析了圖像複原技術的最新進展，並探索了深度學習技術在圖像複原過程中的關鍵作用。本書集理論、技術、實踐于一體，不僅可以為相關領域的學者和學生提供寶貴的學術資源，還可以為工業界的專業人士提供利用先進技術解決實際問題的方法。本書面向對深度學習與圖像複原知識有興趣的愛好者及高校相關專業學生，期望讀者能有所收穫。
作者介紹
田春偉//左旺孟|責編:馮琦
目錄
第1章  基於傳統機器學習的圖像複原方法
  1.1  圖像去噪
    1.1.1  圖像去噪任務簡介
    1.1.2  基於傳統機器學習的圖像去噪方法
  1.2  圖像超解析度
    1.2.1  圖像超解析度任務簡介
    1.2.2  基於傳統機器學習的圖像超解析度方法
  1.3  圖像去水印
    1.3.1  圖像去水印任務簡介
    1.3.2  基於傳統機器學習的圖像去水印方法
  1.4  本章小結
  參考文獻
第2章  基於卷積神經網路的圖像複原方法基礎
  2.1  卷積層
    2.1.1  卷積操作
    2.1.2  感受野
    2.1.3  多通道卷積和多卷積核卷積
    2.1.4  空洞卷積
  2.2  激活層
    2.2.1  Sigmoid激活函數
    2.2.2  Softmax激活函數
    2.2.3  ReLU激活函數
    2.2.4  LeakyReLU激活函數
  2.3  基於卷積神經網路的圖像去噪方法
    2.3.1  研究背景
    2.3.2  網路結構
    2.3.3  實驗結果
    2.3.4  研究意義
  2.4  基於卷積神經網路的圖像超解析度方法
    2.4.1  研究背景
    2.4.2  網路結構
    2.4.3  實驗結果
    2.4.4  研究意義
  2.5  基於卷積神經網路的圖像去水印方法
    2.5.1  研究背景
    2.5.2  網路結構
    2.5.3  實驗結果
    2.5.4  研究意義
  2.6  本章小結
  參考文獻
第3章  基於雙路徑卷積神經網路的圖像去噪方法
  3.1  引言
  3.2  相關技術
    3.2.1  空洞卷積技術
    3.2.2  殘差學習技術
  3.3  面向圖像去噪的雙路徑卷積神經網路
    3.3.1  網路結構
    3.3.2  損失函數
    3.3.3  重歸一化技術、空洞卷積技術和殘差學習技術的結合利用
  3.4  實驗結果與分析

    3.4.1  實驗設置
    3.4.2  關鍵技術的合理性和有效性驗證
    3.4.3  灰度與彩色高斯雜訊圖像去噪
    3.4.4  真實雜訊圖像去噪
    3.4.5  去噪網路的複雜度及運行時間
  3.5  本章小結
  參考文獻
第4章  基於注意力引導去噪卷積神經網路的圖像去噪方法
  4.1  引言
  4.2  注意力方法介紹
  4.3  面向圖像去噪的注意力引導去噪卷積神經網路
    4.3.1  網路結構
    4.3.2  損失函數
    4.3.3  稀疏機制和特徵增強機制
    4.3.4  注意力機制和重構機制
  4.4  實驗與分析
    4.4.1  實驗設置
    4.4.2  稀疏機制的合理性和有效性驗證
    4.4.3  特徵增強機制和注意力機制的合理性和有效性驗證
    4.4.4  定量和定性分析
  4.5  本章小結
  參考文獻
第5章  基於級聯卷積神經網路的圖像超解析度方法
  5.1  引言
  5.2  相關技術
    5.2.1  基於級聯結構的深度卷積神經網路
    5.2.2  基於模塊深度卷積神經網路的圖像超解析度
  5.3  面向圖像超解析度的模塊深度卷積神經網路
    5.3.1  網路結構
    5.3.3  低頻結構信息增強機制
    5.3.4  信息提純塊
    5.3.5  與主流網路的相關性分析
  5.4  實驗與分析
    5.4.1  實驗設置
    5.4.2  特徵提取塊和增強塊的合理性和有效性驗證
    5.4.3  構造塊和特徵細化塊的合理性和有效性驗證
    5.4.4  定量和定性估計
  5.5  本章小結
  參考文獻
第6章  基於異構組卷積神經網路的圖像超解析度方法
  6.1  引言
  6.2  相關技術
    6.2.1  基於結構特徵增強的圖像超解析度方法
    6.2.2  基於通道增強的圖像超解析度方法
  6.3  面向圖像超解析度的異構組卷積神經網路
    6.3.1  網路結構
    6.3.2  損失函數
    6.3.3  異構組塊
    6.3.4  多水平增強機制
    6.3.5  並行上採樣機制

  6.4  實驗結果與分析
    6.4.1  數據集
    6.4.2  實驗設置
    6.4.3  方法分析
    6.4.4  實驗結果
  6.5  本章小結
  參考文獻
第7章  基於自監督學習的圖像去水印方法
  7.1  引言
  7.2  自監督學習
    7.2.1  卷積神經網路
    7.2.2  生成對抗網路
    7.2.3  注意力機制
    7.2.4  混合模型
  7.3  面向圖像去水印的自監督學習方法
    7.3.1  基於自監督卷積神經網路的結構
    7.3.2  異構網路
    7.3.3  感知網路
    7.3.4  損失函數
  7.4  實驗結果與分析
    7.4.1  數據集
    7.4.2  實驗設置
    7.4.3  方法分析
    7.4.4  實驗結果
  7.5  本章小結
  參考文獻
第8章  總結與展望
  8.1  總結
  8.2  展望
致謝

  • 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