幫助中心 | 我的帳號 | 關於我們

深度學習與圖像處理(基礎進階與案例實戰)

  • 作者:郭業才//梁美玉|責編:李馨馨
  • 出版社:機械工業
  • ISBN:9787111782100
  • 出版日期:2025/07/01
  • 裝幀:平裝
  • 頁數:357
人民幣:RMB 139 元      售價:
放入購物車
加入收藏夾

內容大鋼
    本書分為基礎、進階、實戰三部分,共11章。基礎部分,包括Python環境與基礎、機器學習、圖像處理基礎、深度學習基礎與深度神經網路。進階部分,包括圖神經網路、空洞多級卷積神經網路、深度強化學習與深度生成對抗網路。實戰部分,包括基礎實戰案例和進階實戰案例。
    本書按基礎-進階-應用的邏輯脈絡組織內容,融理論性、系統性、實戰性于一體,適合人工智慧、電腦、自動化、電子與通信、大數據科學等相關專業的科學研究人員和工程技術人員閱讀,也可作為相關專業博士、碩士研究生的教學參考書。

作者介紹
郭業才//梁美玉|責編:李馨馨

目錄
第1章  Python環境與基礎
  1.1  Python語言的開發環境
    1.1.1  Jupyter Notebook
    1.1.2  OpenCV
    1.1.3  TensorFlow
    1.1.4  PyTorch
    1.1.5  Paddle Paddle
  1.2  Python基礎知識
    1.2.1  Python編程基礎
    1.2.2  Python函數進階
  1.3  基於Python的數據分析與可視化
    1.3.1  Python的數據分析庫與數據可視化庫
    1.3.2  基於Python的數據分析
    1.3.3  基於Python的數據可視化
  1.4  基於Python的聚類演算法
    1.4.1  聚類分析
    1.4.2  聚類演算法
第2章  機器學習
  2.1  機器學習的發展
  2.2  機器學習的問題描述
  2.3  機器學習的理論基礎與主要方法
    2.3.1  機器學習的理論基礎
    2.3.2  機器學習的主要方法
    2.3.3  機器學習的經典模型
    2.3.4  機器學習的知識圖譜
    2.3.5  機器學習的三要素
  2.4  機器學習的基本流程
    2.4.1  機器學習的訓練流程
    2.4.2  模型訓練的注意事項
  2.5  數據挖掘及其基本步驟
    2.5.1  數據挖掘
    2.5.2  預測建模
    2.5.3  數據挖掘的基本步驟
  2.6  機器學習和數據挖掘的常用工具
第3章  圖像處理基礎
  3.1  圖像去模糊
    3.1.1  圖像模糊類型
    3.1.2  圖像模糊退化模型
    3.1.3  圖像先驗知識
  3.2  圖像去噪
    3.2.1  雜訊模型
    3.2.2  傳統的圖像去噪方法
    3.2.3  去噪效果評價指標
  3.3  圖像全色銳化
    3.3.1  成分替換法
    3.3.2  GIHS變換融合
    3.3.3  PCA變換融合
    3.3.4  GS變換融合
    3.3.5  多解析度分析法
    3.3.6  小波變換法

    3.3.7  模型優化法
  3.4  圖像修復
    3.4.1  圖像修復概念
    3.4.2  傳統的圖像修復演算法
    3.4.3  常用的圖像修複數據集
第4章  深度學習基礎
  4.1  神經網路
    4.1.1  生物神經元與人工神經元
    4.1.2  感知器
  4.2  神經網路的訓練與優化
    4.2.1  神經網路的訓練
    4.2.2  神經網路的優化演算法
  4.3  反向傳播演算法
    4.3.1  反向傳播演算法思想
    4.3.2  反向傳播演算法過程
  4.4  欠擬合與過擬合
    4.4.1  基本概念
    4.4.2  以減少特徵變數的方法防止過擬合
    4.4.3  以權重正則化的方法防止過擬合
    4.4.4  以交叉驗證的方法防止過擬合
    4.4.5  以Dropout正則化的方法防止過擬合
    4.4.6  貝葉斯正則化
第5章  深度神經網路
  5.1  深度神經網路概述
    5.1.1  深度神經網路的工作原理
    5.1.2  深度神經網路的主要模型
  5.2  卷積神經網路
    5.2.1  輸入層
    5.2.2  隱藏層
    5.2.3  輸出層(全連接層)
  5.3  卷積神經網路演算法
    5.3.1  鏈式法則
    5.3.2  梯度下降與反向傳播演算法
    5.3.3  卷積層的誤差傳遞
    5.3.4  卷積層權重梯度的計算
    5.3.5  池化層的誤差傳遞
  5.4  卷積神經網路的訓練與優化
    5.4.1  卷積神經網路的工作流程
    5.4.2  訓練與優化
    5.4.3  卷積神經網路與人工神經網路的比較
第6章  圖神經網路
  6.1  圖神經網路概述
    6.1.1  圖神經網路的出現與發展
    6.1.2  圖神經網路
  6.2  經典的圖神經網路
    6.2.1  圖卷積網路
    6.2.2  圖樣本和聚合
    6.2.3  圖注意力網路
  6.3  其他圖神經網路模型
    6.3.1  無監督的節點表示學習

    6.3.2  圖池化
第7章  空洞多級卷積神經網路
  7.1  空洞多級模塊
    7.1.1  空洞卷積
    7.1.2  空洞多級模塊結構
  7.2  基於卷積神經網路的高效Pan-sharpening模型
    7.2.1  數據集
    7.2.2  超參數設置與網路結構選擇
    7.2.3  代價函數及其求解
  7.3  深度學習結合模型優化的Pan-sharpening模型
    7.3.1  基於梯度域的線性Pan-sharpening模型優化演算法
    7.3.2  基於深度梯度先驗的Pan-sharpening模型優化演算法
  7.4  多尺度空洞深度卷積神經網路
    7.4.1  SRCNN
    7.4.2  超解析度多尺度空洞卷積神經網路
    7.4.3  多尺度多深度空洞卷積神經網路
第8章  深度強化學習
  8.1  組成與結構
    8.1.1  基本概念
    8.1.2  馬爾可夫決策過程
    8.1.3  數學基礎
    8.1.4  策略迭代
    8.1.5  值迭代
  8.2  深度學習與強化學習
    8.2.1  深度學習與強化學習之不同
    8.2.2  深度學習與強化學習之結合
  8.3  基於值函數的深度強化學習
    8.3.1  深度Q學習
    8.3.2  DQN與Q學習的區別
    8.3.3  改進深度Q網路
  8.4  基於策略梯度的深度強化學習
    8.4.1  深度確定性策略梯度演算法
    8.4.2  非同步深度強化學習演算法
    8.4.3  信賴域策略優化及其衍生演算法
第9章  深度生成對抗網路
  9.1  生成對抗網路
    9.1.1  生成網路
    9.1.2  鑒別網路
    9.1.3  損失函數
  9.2  多尺度生成對抗網路
    9.2.1  多尺度結構
    9.2.2  多尺度生成對抗網路結構
    9.2.3  損失函數
  9.3  深度卷積生成對抗網路
    9.3.1  DCGAN的優化
    9.3.2  DCGAN的改進
    9.3.3  DCGAN的設計
  9.4  半監督深度卷積生成對抗網路
    9.4.1  YOLOv5網路結構
    9.4.2  改進的YOLOv5網路

    9.4.3  半監督YOLOv5網路
  9.5  深度強化對抗學習網路
    9.5.1  Exposure圖像增強模型
    9.5.2  相對對抗學習及獎勵函數
    9.5.3  評論家正則化策略梯度演算法
    9.5.4  網路結構
第10章  基礎實戰案例
  10.1  Python開發環境的安裝與驗證
    10.1.1  Python安裝
    10.1.2  OpenCV安裝與驗證
    10.1.3  TensorFlow安裝與驗證
  10.2  基於PCA-BP神經網路的數字儀器識別技術
    10.2.1  錶盤區域提取
    10.2.2  圖像預處理
    10.2.3  字元識別
    10.2.4  字元識別的神經網路
    10.2.5  實驗設計
第11章  進階實戰案例
  11.1  基於深度卷積神經網路的遙感圖像分類
    11.1.1  基於卷積神經網路的遙感圖像識別
    11.1.2  基於改進AlexNet網路的遙感圖像分類
    11.1.3  模擬實驗與結果分析
  11.2  基於多尺度級聯生成對抗網路的水下圖像增強
    11.2.1  網路結構和損失函數
    11.2.2  模擬實驗與結果分析
    11.2.3  消融實驗
  11.3  基於多層次卷積特徵融合與高置信度更新的跟蹤
    11.3.1  基於多層次卷積特徵融合與高置信度更新的跟蹤演算法
    11.3.2  模擬實