生成对抗网络：原理及图像处理应用

图书标准信息

• 作者 朱秀昌 著
• 出版社 电子工业出版社
• 出版时间 2022-08
• 版次 1
• ISBN 9787121439551
• 定价 109.00元
• 装帧 平装
• 开本 16开
• 页数 280页
• 正文语种 简体中文
• 丛书 人工智能前沿理论与技术应用丛书

【内容简介】

本书深入浅出地介绍了近年来AI领域中十分引人注目的新型人工神经网络DD生成对抗网络（GAN）的基本原理、网络结构及其在图像处理领域中的应用；同时，分析了近年来在GAN训练、GAN质量评估及多种改进型GAN方面取得的进展；在实践方面，给出了基于Python的基本GAN编程实例。另外，本书还介绍了支撑GAN模型的基础理论和相关算法，以使读者更好地理解和掌握GAN技术。

【作者简介】

朱秀昌，男，1947年生，硕士，江苏丹徒人。曾任南京邮电大学通信与信息工程学院教授，博士生导师，\"江苏省图像处理与图像通信重点实验室”主任。长期从事图像和多媒体通信方面的科研和教学工作。曾主持完成了多项国家、省部级科研项目，主讲了多门本科生和研究生的专业课程。先后在5个出版社编著出版了\"数字图像处理与图像通信”等书籍17本，发表专业技术论文160余篇。

【目录】

第1章  绪论1
1．1  从图像处理到数字视觉2
1．1．1  数字图像技术3
1．1．2  数字视觉技术5
1．1．3  数字视觉的应用7
1．2  神经网络由浅入深10
1．2．1  神经网络的发展10
1．2．2  深度神经网络11
1．2．3  深度学习的进展12
1．3  从概率生成到对抗生成13
1．3．1  概率生成模型14
1．3．2  概率分布比较16
1．3．3  对抗生成模型16
1．4  GAN的应用18
1．4．1  在图像领域中的应用18
1．4．2  在其他领域中的应用20
第2章  数字图像处理22
2．1  数字图像基础22
2．1．1  图像的数学表示22
2．1．2  图像的数字化23
2．1．3  数字图像的表示26
2．1．4  图像的分辨率28
2．2  传统数字图像处理30
2．2．1  图像采集和压缩30
2．2．2  图像去噪和滤波31
2．2．3  图像增强和复原32
2．2．4  图像分割33
2．2．5  图像特征提取和目标检测34
2．2．6  图像变换和超分辨率重建35
2．3  ANN图像处理36
2．3．1  图像分类36
2．3．2  目标检测与跟踪37
2．3．3  语义分割和实例分割39
2．3．4  图像生成40
2．4  常用的图像数据集43
第3章  人工神经网络49
3．1  ANN简介49
3．1．1  从生物到人工神经元50
3．1．2  从感知机到神经网络51
3．1．3  从浅层到深度54
3．1．4  ANN的特点和应用55
3．2  常见的ANN类型57
3．2．1  RBF网络57
3．2．2  ART网络58
3．2．3  SOM网络59
3．2．4  波尔兹曼机59
3．2．5  级联相关网络61
3．3  ANN的关键技术62
3．3．1  网络类型62
3．3．2  网络训练62
3．3．3  激活函数64
3．3．4  验证和泛化65
3．4  BP算法66
3．4．1  数据的正向传播67
3．4．2  误差的反向传播68
3．4．3  BP算法流程70
3．4．4  BP算法的几个问题70
3．5  ANN的学习方式71
3．5．1  有监督学习71
3．5．2  无监督学习72
3．5．3  半监督学习72
3．5．4  强化学习73
第4章  GAN中常用的ANN74
4．1  卷积神经网络74
4．1．1  CNN的结构75
4．1．2  CNN的核心技术76
4．1．3  CNN的训练和改进79
4．1．4  CNN一例80
4．1．5  图像卷积81
4．2  循环神经网络84
4．2．1  RNN的结构85
4．2．2  RNN与CNN的比较85
4．3  变分自编码器86
4．3．1  自编码器86
4．3．2  VAE概述87
4．4  深度残差网络91
4．4．1  深度网络的困境91
4．4．2  残差块结构92
4．4．3  残差块的作用92
4．4．4  ResNet的误差反传93
第5章  相关算法96
5．1  和图像处理有关的算法96
5．1．1  分类算法96
5．1．2  聚类算法104
5．1．3  降维算法106
5．1．4  迁移学习113
5．1．5  马尔可夫链和HMM115
5．2  和函数优化有关的算法120
5．2．1  最小二乘法120
5．2．2  梯度下降法121
5．2．3  EM算法125
第6章  GAN基础129
6．1  GAN概要130
6．1．1  GAN的数据生成130
6．1．2  GAN的网络结构133
6．1．3  GAN的优势和不足137
6．2  数据分布及其转换139
6．2．1  图像数据的高维分布139
6．2．2  隐变量和隐空间141
6．2．3  分布函数的转换143
6．3  生成模型与判别模型145
6．3．1  生成模型145
6．3．2  判别模型149
6．3．3  生成模型和判别模型的关系150
6．4  GAN的工作过程152
6．4．1  纳什均衡153
6．4．2  对抗训练154
6．4．3  训练流程157
第7章  GAN的目标函数160
7．1  数据的信息熵161
7．1．1  随机变量161
7．1．2  信息量和信息熵164
7．1．3  交叉熵166
7．2  数据分布的差异：散度168
7．2．1  KL散度168
7．2．2  JS散度169
7．2．3  f散度169
7．3  GAN目标函数及其优化171
7．3．1  目标函数171
7．3．2  判别器优化178
7．3．3  生成器优化180
第8章  GAN的训练182
8．1  GAN训练中常见的问题183
8．1．1  收敛不稳定问题183
8．1．2  梯度消失问题184
8．1．3  模式崩溃问题189
8．2  提升GAN训练的稳定性192
8．2．1  选择恰当的网络模型192
8．2．2  选择恰当的目标函数194
8．2．3  选择恰当的优化算法196
8．3  GAN训练中的常用技巧198
8．3．1  数据规范化198
8．3．2  学习率衰减199
8．3．3  丢弃技术200
8．3．4  批量规范化203
8．3．5  激活函数的选择203
第9章  GAN的改进206
9．1  GAN的改进之路207
9．2  C GAN和info GAN207
9．2．1  C GAN207
9．2．2  info GAN209
9．3  DC GAN211
9．4  W GAN213
9．5  Big GAN214
第10章  GAN的图像处理应用217
10．1  图像生成218
10．1．1  图像生成的三种方式218
10．1．2  几种特殊的图像生成221
10．2  图像超分辨率重建221
10．3  图像修复222
10．4  图像翻译224
10．4．1  图像至图像的翻译224
10．4．2  文本至图像的翻译225
10．5  图像风格迁移226
10．6  视频预测227
第11章  GAN的Python编程228
11．1  Python编程语言228
11．1．1  Python简介228
11．1．2  Python的特点230
11．1．3  Python的应用232
11．2  常见的Python集成开发环境233
11．3  深度学习框架235
11．3．1  主流的深度学习框架235
11．3．2  主流学习框架的比较237
11．4  TensorFlow中的GAN编程238
11．4．1  张量和张量流239
11．4．2  Python的TensorFlow库242
11．4．3  TensorFlow的常用模块243
第12章  GAN图像处理实例245
12．1  1维GAN编程245
12．1．1  1维GAN小程序246
12．1．2  数据对齐248
12．1．3  训练中的几个问题249
12．2  MNIST手写数字的生成249
12．2．1  GAN模型的训练程序250
12．2．2  GAN模型的生成程序254
12．2．3  训练程序的图解256
12．2．4  生成程序的图解257