计算机视觉 Python+TensorFlow+Keras深度学习实战 微课视频版
全新正版 极速发货
￥ 22.51 5.7折 ￥ 39.8 全新
库存12件
广东广州
认证卖家担保交易快速发货售后保障
作者袁雪
出版社清华大学出版社
ISBN9787302579250
出版时间2021-09
装帧平装
开本16开
定价39.8元
货号1202499135
上书时间2024-09-04
商品详情
- 品相描述：全新
- 商品描述
-
目录
第1章 人工智能概述1
1.1 人工智能的发展浪潮1
1.2 AI技术发展历史4
1.2.1 AI技术三要素之算法4
1.2.2 AI技术三要素之计算资源6
1.2.3 AI三要素之数据6
1.3 视频分析技术的应用案例9
1.3.1 基于人脸识别技术的罪犯抓捕系统9
1.3.2 基于文字识别技术的办公自动化系统10
1.3.3 基于图像分割及目标检测技术的无人驾驶环境感知系统10
1.3.4 基于目标检测及跟踪技术的电子交警系统10
1.3.5 基于图像比对技术的产品缺陷检测系统10
1.3.6 基于行为识别技术的安全生产管理系统10
1.4 本章小结10
第2章 深度卷积神经网络11
2.1 深度卷积神经网络的概念11
2.2 卷积神经网络的构成12
2.2.1 卷积层12
2.2.2 激活函数12
2.2.3 池化层14
2.3 深度卷积神经网络模型结构14
2.3.1 常用网络模型14
2.3.2 网络模型对比20
2.4 图像分类20
2.5 迁移学习21
2.6 图像识别项目实例22
2.6.1 下载ImageNet的训练模型22
2.6.2 ResNet模型构建23
2.6.3 测试图像26
2.7 本章小结27
2.8 习题27
第3章 目标检测28
3.1 目标检测的概念28
3.2 基于候选区域的目标检测算法29
3.2.1 Faster R-CNN目标检测算法30
3.2.2 基于区域的全卷积网络（R-FCN）目标检测算法30
3.3 基于回归的目标检测算法32
3.3.1 YOLO目标检测算法32
3.3.2 SSD目标检测算法33
3.4 目标检测算法评价指标34
3.5 深度卷积神经网络目标检测算法性能对比35
3.6 目标检测项目实战36
3.6.1 Faster R-CNN36
3.6.2 用YOLO训练自己的模型40
3.7 本章小结43
3.8 习题43
第4章 图像分割44
4.1 图像分割的概念44
4.2 典型的图像分割算法45
4.2.1 FCN分割算法45
4.2.2 DeepLab分割算法45
4.2.3 SegNet图像分割算法47
4.2.4 U-Net算法47
4.2.5 Mask R-CNN算法48
4.3 图像分割评价标准49
4.4 图像分割项目实战50
4.4.1 FCN32模型构建51
4.4.2 FCN8的模型构建52
4.4.3 Seg-Net的模型构建53
4.4.4 U-Net的模型构建56
4.5 本章小结59
4.6 习题59
第5章 目标跟踪60
5.1 图像分割的概念60
5.2 基于光流特征的目标跟踪算法63
5.2.1 基于光流特征跟踪算法概述63
5.2.2 LK光流法65
5.3 SORT目标跟踪算法66
5.3.1 卡尔曼滤波器66
5.3.2 基于匈牙利算法的数据关联68
5.4 Deep SORT多目标跟踪算法69
5.4.1 Deep SORT算法跟踪原理69
5.4.2 外观特征间的关联性计算69
5.4.3 利用运动信息关联目标71
5.4.4 级联匹配71
5.5 目标跟踪算法评价指标72
5.6 Deep SORT算法主要程序及分析72
5.6.1 目标检测框的获取及坐标转换72
5.6.2 卡尔曼滤波73
5.6.3 深度外观特征的提取77
5.6.4 匹配78
5.6.5 后续处理79
5.7 本章小结81
5.8 习题81
第6章 OCR文字识别82
6.1 OCR文字识别的概念82
6.2 文字检测83
6.2.1 传统的文字检测算法83
6.2.2 基于深度学习的文字检测算法83
6.3 文字识别算法89
6.3.1 基于DenseNet网络模型的序列特征提取89
6.3.2 基于LSTM结构的上下文序列特征提取91
6.3.3 字符序列的解码方式92
6.4 项目实战95
6.4.1 CRAFT模型搭建96
6.4.2 CRNN模型搭建97
6.4.3 文字检测与识别程序99
6.5 本章小结104
6.6 习题105
第7章 多任务深度学习网络106
7.1 多任务深度学习网络的概念107
7.2 多任务深度学习网络构建107
7.2.1 多任务网络的主要分类107
7.2.2 并行式网络109
7.2.3 级联式网络110
7.3 多任务深度学习网络的代码实现113
7.3.1 构建多任务深度学习网络114
7.3.2 多任务深度学习网络的训练116
7.3.3 多任务深度学习模型测试116
7.4 本章小结119
7.5 习题119
第8章 生成对抗神经网络120
8.1 生成对抗网络的概念120
8.2 典型的生成对抗网络121
8.2.1 DCGAN121
8.2.2 CycleGAN123
8.3 传送带表面缺陷样本增强案例126
8.4 项目实战128
8.4.1 DCGAN128
8.4.2 CycleGAN130
8.5 本章小结132
8.6 习题132
第9章 样本制作与数据增强133
9.1 数据的获取133
9.2 数据的标注133
9.2.1 目标检测与识别标注软件LabelImg134
9.2.2 图像分割标注软件LabelMe134
9.3 数据增强134
9.4 项目实战：数据增强135
9.4.1 数据增强库的安装与卸载135
9.4.2 数据增强库的基本使用136
9.4.3 样本数据增强的结果136
9.4.4 关键点变换137
9.4.5 标注框（Bounding Box）变换139
9.5 本章小结141
9.6 习题141
第10章 Keras安装和API142
10.1 安装Keras142
10.1.1 第1步——安装依赖项142
10.1.2 第2步——安装TensorFlow144
10.1.3 第3步——安装Keras145
10.1.4 第4步——测试TensorFlow和Keras145
10.2 配置Keras146
10.3 Keras API146
10.4 TensorFlow API146
10.5 本章小结147
第11章 综合实验：基于YOLO和Deep Sort的目标检测与跟踪148
11.1 算法流程148
11.2 实验代码149
11.3 实验评价155
内容摘要
人工智能正在成为全世界产业变革的方向，处于第四次科技革命的核心地位。计算机视觉（Computer Vision）就是利用摄像机、算法和计算资源为人工智能系统按上“眼睛”，让其可以拥有人类的双眼所具有的前景与背景分割、物体识别、目标跟踪、判断决策等功能。计算机视觉系统可以让计算机看见并理解这个世界的“信息”，从而替代人类完成重复性工作。目前计算机视觉领域热门的研究方向有物体检测与识别、语义分割、目标跟踪等。
本书围绕着计算机视觉的关键技术，介绍基于深度学习计算机视觉的基础理论及主要算法。
本书结合常见的应用场景和项目实例，循序渐进地带领读者进入美妙的计算机视觉世界。
本书共分为11章，第1章为人工智能概述；第2～5章介绍计算机视觉的几种关键技术，即图像分类、目标检测、图像分割和目标跟踪，并将这四项关键技术组合完成.人工智能的实际应用；第6、7章介绍人工智能的两个典型应用：文字检测与识别系统及多任务深度学习系统；第8章介绍一种很好有意思的深度学习网络——对抗生成神经网络；第9章介绍制作训练和测试样本的方法；第10章介绍如何安装TensorFlow、KerasAPI及相关介绍；第11章介绍综合实验。
本书提供了大量项目实例及代码解析，均是基于Python语言及TensorFlow、KerasAPI的。
本书的每章均配有微课视频，扫描书中的二维码，可观看作者的视频讲解。
本书不仅可以作为大学计算机及相关专业的教材，也适合自学者及人工智能开发人员参考使用。
主编推荐
本书在多年科研积累的基础上，指导读者建立以理论+实践+前沿为导向的“计算机视觉”学习思路，最后以基于YOLO和DeepSort的目标检测与跟踪的综合案例完成实践
— 没有更多了 —
以下为对购买帮助不大的评价