深度学的计算机视觉算法
全新正版 极速发货
￥ 98.1 7.6折 ￥ 129.8 全新
仅1件
浙江嘉兴
认证卖家担保交易快速发货售后保障
作者徐从安 李健伟 董云龙 孙超 等
出版社人民邮电
ISBN9787115581327
出版时间2022-01
装帧平装
开本16开
定价129.8元
货号31351688
上书时间2024-10-21
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
徐从安，工学博士，海军航空大学信息融合研究所副教授，清华大学访问学者，入选中国科协青年人才托举工程。长期从事智能信息处理、计算机视觉研究，主持或参与国家自然科学基金、装备预研等课题项目10余项，相关成果获省部级科技进步奖4项。发表SCI、EI收录论文30余篇，出版译著1部，授权专利10余项。 李健伟，工学博士，主要研究方向为计算机视觉、雷达和电子对抗等，发表学术论文10余篇，牵头编写学术专著2本，获中国指挥与控制学会科学技术奖二等奖1项，构建了国内外首个用于SAR图像船舶目标检测的数据集SSDD。 董云龙，工学博士，海军航空大学信息融合研究所教授，主要研究方向为雷达信息处理、多源信息融合，主持雷达杂波抑制、目标检测、误差配准等相关科研项目20余项，曾获国家科技进步奖二等奖，省部级科技进步奖一等奖、二等奖共5项。 孙超，工学博士，主要研究方向为图像处理、计算机视觉等，发表SCI、EI收录论文10余篇，参与编写学术专著2本，授权专利2项。
目录
第 1章 深度学习与计算机视觉基础001
1.1 人工智能简介002
1.2 深度学习的崛起以及存在的问题003
1.3 神经网络的基本概念004
1.3.1 前馈神经网络005
1.3.2 反向传播算法005
1.3.3 权重系数更新007
1.4 卷积神经网络原理007
1.4.1 CNN的起源与发展008
1.4.2 CNN结构简介009
1.4.3 CNN的其他组件016
1.5 计算机视觉简介019
参考文献020
第 2章 基于深度学习的图像分类算法023
2.1 图像分类——从特征设计到卷积神经网络结构设计024
2.2 卷积神经网络结构演化026
2.2.1 从LeNet到VGG026
2.2.2 Inception系列028
2.2.3 ResNet系列029
2.2.4 DenseNet系列031
2.2.5 SqueezeNet系列033
2.2.6 ShuffleNet系列034
2.2.7 MobileNet系列035
2.3 神经架构搜索037
2.4 CNN的计算量与参数计算方法037
2.5 小结038
参考文献039
第3章 基于深度学习的目标检测算法043
3.1 目标检测——从特征设计到深度学习044
3.1.1 任务简介044
3.1.2 传统的目标检测算法045
3.1.3 基于深度学习的目标检测方法046
3.2 目标检测的重要概念047
3.2.1 交并比和非极大值抑制047
3.2.2 难负样本挖掘048
3.2.3 边框回归049
3.2.4 检测任务中的数据增广050
3.2.5 先验框/默认边框/锚框050
3.2.6 锚框与真实边框的匹配策略051
3.2.7 感受野051
3.2.8 RoI特征图映射052
3.3 双阶段检测算法054
3.3.1 从R-CNN到Fast R-CNN054
3.3.2 Faster R-CNN算法原理057
3.4 单阶段检测算法061
3.4.1 YOLO检测算法061
3.4.2 SSD检测算法067
3.5 融合单阶段和双阶段的算法073
3.5.1 单阶段检测算法及双阶段检测算法的特点073
3.5.2 RefineDet：结合单阶段及双阶段优点074
3.6 从头训练的检测算法075
3.6.1 从头训练的检测算法简介075
3.6.2 精心设计CNN实现从头训练076
3.6.3 从头训练的本质077
3.7 检测任务中的级联设计079
3.7.1 传统的级联检测算法079
3.7.2 深度学习下的级联检测079
3.8 多尺度目标检测081
3.8.1 问题描述以及常用方法081
3.8.2 多尺度训练/测试082
3.8.3 特征金字塔融合多层特征082
3.8.4 小尺寸目标检测086
3.9 检测任务中的不平衡处理策略087
3.9.1 双阶段中的不平衡策略087
3.9.2 单阶段中的不平衡策略088
3.10 锚框的轮回089
3.10.1 锚框的起源089
3.10.2 现有检测算法中锚框的设计方法090
3.10.3 锚框存在的问题091
3.10.4 不需要锚框的算法092
3.11 目标检测的骨干网络设计092
3.12 检测算法加速093
3.12.1 检测流程的加速094
3.12.2 检测算法的轻量级网络094
3.13 自然场景文字检测095
3.14 遥感图像目标检测096
3.15 常用数据集和评价指标098
参考文献099
第4章 基于深度学习的图像语义分割算法103
4.1 图像语义分割简介104
4.2 语义分割研究难点105
4.3 语义分割算法模型106
4.3.1 全卷积网络基础算法：FCN算法106
4.3.2 编码 解码结构算法：U-Net算法109
4.3.3 空洞卷积的应用：DeepLab系列111
4.4 图像实时语义分割117
4.4.1 实时语义分割简介117
4.4.2 ENet算法118
4.5 图像分割数据集以及评价指标122
4.5.1 图像分割数据集122
4.5.2 语义分割评估指标123
参考文献124
第5章 基于深度学习的人体姿态估计算法127
5.1 人体姿态估计任务简介128
5.1.1 任务简介128
5.1.2 面临的挑战130
5.1.3 方法概述130
5.2 单人姿态估计132
5.3 自顶向下的多人姿态估计133
5.4 自底向上的多人姿态估计134
5.5 常用数据集以及评价指标136
参考文献136
第6章 基于深度学习的行人重识别与目标跟踪139
6.1 行人重识别任务简介140
6.1.1 任务简介140
6.1.2 工作流程141
6.1.3 面临的挑战142
6.1.4 与行人跟踪和人脸验证的关系143
6.1.5 行人重识别数据集及评价指标144
6.2 特征提取和相似度度量144
6.3 行人重识别：从全局特征到局部特征145
6.4 行人重识别：从表征学习到度量学习148
6.5 目标跟踪任务简介149
6.6 基于相关滤波的目标跟踪算法150
6.7 基于孪生网络的跟踪算法151
参考文献153
第7章 基于深度学习的人脸识别155
7.1 任务简介156
7.1.1 人脸验证和人脸识别的区别156
7.1.2 图像分类和人脸识别的异同157
7.1.3 技术难点157
7.1.4 人脸识别算法原理158
7.2 Softmax原理及存在的问题160
7.2.1 Softmax函数和Softmax损失160
7.2.2 Softmax存在的问题161
7.3 度量损失162
7.3.1 对比损失162
7.3.2 三元组损失163
7.4 大间隔损失165
7.4.1 L-Softmax165
7.4.2 SphereFace166
7.4.3 CosFace167
7.4.4 ArcFace167
7.4.5 大间隔损失总结168
7.5 特征规范化和权重规范化171
参考文献172
第8章 基于深度学习的图像超分辨率重建方法175
8.1 任务简介176
8.2 传统方法179
8.2.1 基于插值的方法179
8.2.2 基于重建的方法180
8.2.3 基于学习的方法180
8.3 基于卷积神经网络的图像超分辨率重建方法181
8.3.1 网络模型182
8.3.2 损失函数184
8.3.3 训练样本184
8.3.4 训练策略185
8.4 常用数据集与评价指标186
参考文献187
内容摘要
本书着重阐述了深度学习时代的计算机视觉算法的工作原理，首先对深度学习与计算机视觉基础进行了介绍，之后对卷积神经网络结构的演化过程，以及基于深度学习的目标检测算法、图像分割算法、人体姿态估计算法、行人重识别与目标跟踪算法、人脸识别算法以及图像超分辨率重建方法进行了介绍。本书系统讲解了在日常生活和工作中常见的几项计算机视觉任务，并着重介绍了在当今深度学习时代，这些计算机视觉任务是如何工作的，可使读者快速了解这些算法原理，以及其相互之间的关系。本书适合高年级本科生、研究生、教师，以及对人工智能或计算机视觉算法感兴趣的工程技术人员阅读。
主编推荐
1.选题方向前沿，复现新的研究成果，包括ResNet、ShuffleNet、SqueezeNet等数据集中的成果；学习优选的算法技术，包括对象检测、目标跟踪、迁移学习以及生成对抗网络等。
2.作者均是深度学习和计算机视觉领域的一线研究人员，拥有多个重大项目的开发落地经验，获得多项科技进步奖。
3.本书深入浅出，用丰富详细的架构图、流程图生动展现，从根源剖析数据流的概念和原理，使晦涩难懂的专业概念清晰呈现。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价