计算机视觉中的深度学习
全新正版 极速发货
￥ 73.7 7.5折 ￥ 98 全新
库存2件
浙江嘉兴
认证卖家担保交易快速发货售后保障
作者编者:姜竹青//门爱东//王海婴|责编:张瑞喜
出版社电子工业
ISBN9787121411922
出版时间2021-06
装帧平装
开本其他
定价98元
货号31177989
上书时间2024-12-30
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
姜竹青，博士，加拿大麦吉尔大学访问学者，现任教于北京邮电大学，硕士生导师。主持或主要参与多项机器学习相关的国家自然科学基金，在国际学术会议发表相关论文30余篇，并与国家广播电影电视总局、中国航天科技集团、中国石油天然气股份有限公司、中国移动通信集团等部委和企业保持合作关系。
目录
目 录
第1章 计算机视觉及其任务1
1.1 计算机视觉的定义1
1.2 计算机视觉的发展沿革1
1.3 计算机视觉的主要任务及其应用2
1.3.1 图像恢复2
1.3.2 图像识别3
1.3.3 动作分析4
1.3.4 场景重建5
1.3.5 行人再识别6
1.4 本章小结7
本章参考文献7
第2章 手工特征8
2.1 初级图像特征8
2.1.1 颜色特征8
2.1.2 纹理特征11
2.1.3 形状特征12
2.2 中级图像特征13
2.2.1 Haar-like特征14
2.2.2 SIFT特征16
2.2.3 SURF特征19
2.3 本章小结21
本章参考文献21
第3章 神经网络基础理论23
3.1 神经元概述23
3.1.1 感知器23
3.1.2 激活函数24
3.1.3 神经元模型28
3.2 神经网络基础结构28
3.2.1 两层神经网络模型28
3.2.2 前馈神经网络和循环神经网络29
3.2.3 神经网络中的参数30
3.3 神经网络训练31
3.3.1 权重初始化31
3.3.2 偏置初始化32
3.3.3 前向传播32
3.3.4 损失函数32
3.3.5 反向传播33
3.3.6 参数更新35
3.3.7 批归一化37
3.3.8 正则化38
3.4 常见的神经元模型40
3.4.1 空间信息处理单元40
3.4.2 时间信息处理单元41
3.5 本章小结43
本章参考文献44
第4章 神经网络结构46
4.1 LENET546
4.2 ALEXNET48
4.3 VGGNET50
4.4 INCEPTION53
4.5 RESNET55
4.6 DENSENET57
4.7 MOBILENET60
4.8 FCN63
4.9 本章小结71
本章参考文献71
第5章 目标分割73
5.1 目标分割技术概述73
5.1.1 目标分割技术基本理论与模型73
5.1.2 目标分割技术概述74
5.1.3 评价标准77
5.2 基于深度学习多路径特征融合的图像语义分割79
5.2.1 特点79
5.2.2 基于VGGNet的多路径特征融合算法80
5.2.3 基于ResNet的多路径特征融合算法85
5.3 基于模糊逻辑的多特征视频运动目标分割88
5.3.1 特点88
5.3.2 算法88
5.3.3 实验96
5.4 目标分割未来趋势98
本章参考文献99
第6章 目标检测102
6.1 目标检测算法概述102
6.1.1 算法概述102
6.1.2 评价指标104
6.2 传统目标检测方法106
6.2.1 区域选择算法106
6.2.2 典型人工图像特征106
6.2.3 分类器类型及训练106
6.3 基于候选区域的目标检测方法110
6.3.1 R-CNN的实现110
6.3.2 SPP-net的实现111
6.3.3 Fast R-CNN的实现112
6.3.4 Faster R-CNN的实现113
6.4 基于回归的目标检测115
6.4.1 YOLO的实现115
6.4.2 SSD的实现117
6.4.3 YOLOv2的改进119
6.5 改进算法拾萃122
6.5.1 困难样本挖掘122
6.5.2 YOLOv2损失函数123
6.5.3 基于上下文信息的SSD改进124
6.5.4 多特征多尺度融合126
6.6 目标检测未来趋势129
本章参考文献130
第7章 目标跟踪132
7.1 目标跟踪技术概述132
7.1.1 目标跟踪算法基本理论与模型132
7.1.2 目标跟踪算法概述133
7.1.3 评价标准135
7.2 平衡正负样本权重的多示例学习跟踪算法136
7.2.1 MIL跟踪算法136
7.2.2 平衡正负样本权重138
7.3 基于核化相关滤波器的视觉目标跟踪算法研究与改进143
7.3.1 基于相关滤波器的目标跟踪算法143
7.3.2 自适应模板更新的目标跟踪算法150
7.3.3 CNN和相关滤波结合的跟踪算法158
7.4 基于中心对比CNN的目标跟踪算法研究169
7.4.1 逐任务驱动的CNN目标跟踪算法169
7.4.2 中心对比CNN目标跟踪算法170
7.4.3 小运动优先的视觉目标跟踪算法175
7.5 目标跟踪未来趋势180
本章参考文献180
第8章 行人再识别183
8.1 行人再识别技术概述183
8.1.1 行人再识别技术基本理论与模型183
8.1.2 行人再识别技术简介184
8.1.3 评价标准186
8.2 基于ADARANK进行特征集成的行人再识别算法188
8.2.1 算法特点188
8.2.2 算法细节188
8.2.3 实验结果200
8.3 基于增强深度特征的行人再识别算法206
8.3.1 算法特点206
8.3.2 引入注意力机制的网络模型207
8.3.3 引入手工特征：LOMO特征融合到多级注意力识别―验证网络215
8.4 基于属性和身份特征融合的行人再识别算法221
8.4.1 特点221
8.4.2 算法222
8.4.3 实验230
8.5 行人再识别未来趋势236
本章参考文献237
第9章 图像压缩242
9.1 有损压缩和无损压缩242
9.1.1 无损压缩242
9.1.2 有损压缩243
9.2 经典的有损图像压缩方法243
9.2.1 JPEG243
9.2.2 JPEG 2000243
9.2.3 BPG244
9.3 基于深度学习的图像压缩技术244
9.4 基于空间能量压缩的图像压缩244
9.4.1 算法特点244
9.4.2 算法细节245
9.4.3 实验结果249
9.5 利用卷积神经网络进行内容加权的图像压缩249
9.5.1 算法特点249
9.5.2 算法细节250
9.5.3 实验结果254
9.6 基于生成式对抗网络的图像压缩255
9.6.1 算法特点255
9.6.2 算法细节255
9.6.3 实验结果257
9.7 图像压缩未来趋势257
本章参考文献258
第10章 超分辨率重建259
10.1 超分辨率技术概述259
10.1.1 超分辨率技术的基本理论与模型259
10.1.2 超分辨率技术概述261
10.2 基于深度残差网络注意力机制的图像超分辨率重建263
10.2.1 存在的问题263
10.2.2 提出的解决方案264
10.2.3 具体实现细节264
10.2.4 实验结果比较分析267
10.3 基于增强的可变形卷积网络的视频超分辨率271
10.3.1 视频超分辨率271
10.3.2 存在的问题272
10.3.3 针对存在的问题提出的解决方案272
10.3.4 具体实现274
10.3.5 实验对比277
10.4 真实原始传感器数据的超分辨率重建278
10.4.1 存在的问题278
10.4.2 针对问题提出的解决方案279
10.4.3 具体实现细节279
10.4.4 实验对比281
10.5 超分辨率重建未来趋势283
本章参考文献284
第11章 图像去噪技术287
11.1 图像去噪技术概述287
11.1.1 图像去噪基本理论与模型287
11.1.2 图像去噪算法287
11.1.3 评价标准292
11.2 去噪卷积神经网络293
11.2.1 算法特点293
11.2.2 存在问题294
11.2.3 算法细节294
11.2.4 实验结果295
11.3 盲去噪卷积神经网络299
11.3.1 算法特点299
11.3.2 存在问题299
11.3.3 算法细节299
11.3.4 实验302
11.4 真实图像去噪神经网络307
11.4.1 特点307
11.4.2 存在问题307
11.4.3 算法细节307
11.4.4 实验310
11.4.5 总结312
11.5 图像去噪未来趋势312
本章参考文献312
附录A 术语与缩略词表313
内容摘要
人工智能相比于人力而言具有低成本、高效率和全天候等巨大优势，但其发展往往不能全面满足实际场景的旺盛需求。近年来人工智能与计算机视觉的结合日益紧密，基于深度学习研究计算机视觉成为一个新方向。深度学习的特点是层次化的特征提取、规模更大、数据更多、计算更复杂。本书从介绍计算机视觉的任务入手，总结从传统手工提取特征方法到深度学习的发展历程。然后，针对不同层次的计算机视觉任务，结合作者团队近年来的研究成果，以及部分学界公认的里程碑式成果，从理论层面论述深度学习在具体计算机视觉任务中的应用。本书作者来自北京邮电大学长期从事多媒体技术教学和研究的一线教师。本书适合从事图像和视频的处理和理解的研究人员、相关领域软件开发人员或研究生阅读。
— 没有更多了 —
以下为对购买帮助不大的评价