视觉机器学习20讲（有水印）。

图书标准信息

• 作者 谢剑斌 著
• 出版社 清华大学出版社
• 出版时间 2015-05
• 版次 1
• ISBN 9787302397922
• 定价 49.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 239页
• 字数 364千字

【内容简介】

　　《视觉机器学习20讲》是计算机、自动化、信息、电子与通信学科方向的专著，详尽地介绍了K-Means、KNN学习、回归学习、决策树学习、RandomForest、贝叶斯学习、EM算法、Adaboost、SVM方法、增强学习、流形学习、RBF学习、稀疏表示、字典学习、BP学习、CNN学习、RBM学习、深度学习、遗传算法、蚁群方法等基本理论；深入阐述了视觉机器学习算法的优化方法和实验仿真；系统地总结了其优点和不足。
　　本书特别重视如何将视觉机器学习算法的理论和实践有机地结合，解决视觉机器学习领域中的诸多基础问题，可应用于医学图像分析、工业自动化、机器人、无人车、人脸检测与识别、车辆信息识别、行为检测与识别、智能视频监控等。本书特别重视算法的典型性和可实现性，既包含本领域的经典算法，也包含本领域的研究成果。
　　本书不仅可作为高年级本科生与研究生教材，而且也是从事视觉机器学习领域研发极为有用的参考资料。

【作者简介】

谢剑斌，博士，教授，国防科学技术大学电子科学与工程学院研究生导师，中国生物特征识别国家标准组委员，中国数字电视国家标准组委员，中国图像图形学会高级会员，计算机学会高级会员，电光与控制编委会委员。长期从事海量视频分析与生物特征识别方面的研究工作，作为项目负责人主持国家级项目8项、部委级项目27项、横向课题39项。在国内外知名期刊发表学术论文90100多篇，出版专著6部，授权国家发明专利21项、实用新型专利32项。荣获国际“发明展”金奖2项、湖南省科技进步二等奖1项、公安部技术革新特别项目奖2项、全国“发明展”金奖12项、铜奖1项。

兴军亮，2012年毕业于清华大学计算机科学与技术系，获工学博士学位，2013年在新加坡国立大学从事博士后研究，现为中国科学院自动化研究所助理研究员，美国电器与电子工程学会（IEEE）会员。研究领域为计算机视觉、模式识别和机器学习，主要研究兴趣为视频中的物体检测、跟踪和分割。目前已在重要国际期刊和会议，如TIP，ICCV，CVPR，ACM Multimedia上发表论文多篇，译著两部。在攻读博士期间，曾获得清华大学计算机系学术新秀、清华大学优秀博士论文、清华大学综合一等奖学金等荣誉称号和奖励，在博士后研究期间，带领学生完成的论文Wow！You are so beautiful today！获得2013年ACM Multimedia国际会议最佳论文奖。目前作为项目负责人正在主持一项国家自然科学基金项目，作为项目骨干参与了973、863等多项国家重要研究课题以及与惠普、英特尔、欧姆龙等知名企业的多项合作研究课题。

张立宁，2006年和2009年毕业于西安电子科技大学并分别获学士和硕士学位，2013年毕业于新加坡南洋理工大学电气与电子工程学院，获博士学位，现为新加坡科技研究局资讯通信研究院研究员，美国电气与电子工程师协会会员。研究领域为模式识别与机器视觉，多媒体计算，医学图像处理等。目前已在国际重要刊物如IEEE TIP、TCSVT、TSMC-PartB等发表论文多篇，参与编辑著作多部。在攻读硕士和博士学位期间，曾获多项校优秀学生、优秀毕业生等荣誉称号，并作为骨干成员参与中国973、863多项重要研究课题以及新加坡多媒体创新的研究项目。

方宇强，2010年毕业于国防科学技术大学控制科学与工程专业，获得硕士学位，现就读于国防科学技术大学控制科学与工程专业，攻读博士学位。2011年赴香港科技大学计算机科学系访问，2013年在新加坡国立大学计算机系任研究助理。研究领域包括机器学习、计算机视觉和智能系统，主要研究兴趣有高维数据特征分析、视觉特征学习和智能无人系统等。在国内外重要期刊和会议，如ICDM、JFR上发表多篇论文，硕士论文获得湖南省优秀硕士毕业论文。在攻读博士期间作为项目骨干参与了多项国家973、国家自然科学基金重点项目研究。

李沛秦，博士，讲师，任职于国防科学技术大学电子科学与工程学院。长期从事海量视频分析与生物特征识别方面的研究工作，作为技术骨干参与国家级项目3项，省部级项目13项。在国内外知名期刊发表学术论文25篇，参与出版专著2部，授权国家发明专利12项、实用新型专利25项。荣获国际发明展金奖2项、湖南省科技进步二等奖1项、公安部技术革新特别项目奖2项、全国“发明展”金奖1项、铜奖1项。

刘通，博士生，讲师，任职于国防科学技术大学电子科学与工程学院。长期从事海量视频分析与生物特征识别方面的研究工作，作为技术骨干参与国家级项目3项，省部级项目17项。在国内外知名期刊发表学术论文29篇，参与出版专著2部，授权国家发明专利12项、实用新型专利25项。荣获国际“发明展”金奖2项、湖南省科技进步二等奖1项、公安部技术革新特别项目奖2项、全国“发明展”金奖1项、铜奖1项。

闫玮，博士，讲师，任职于国防科学技术大学电子科学与工程学院。长期从事海量视频分析与生物特征识别方面的研究工作，作为技术骨干参与国家级项目3项，省部级项目15项。在国内外知名期刊发表学术论文23篇，参与出版专著2部，授权国家发明专利12项、实用新型专利25项。荣获国际“发明展”金奖2项、湖南省科技进步二等奖1项、公安部技术革新特别项目奖2项、全国“发明展”金奖1项、铜奖1项。

王勇，1982年2月生。2005年7月于四川大学数学学院获学士学位，分别于2007年12月和2011年6月于国防科学技术大学理学院获硕士和博士学位。2011年7月起在中国空气动力研究与发展中心低速所任助理研究员。研究兴趣包括机器学习、统计学习、模式识别与计算机视觉，论文Multi-manifold clustering于2010年获亚太人工智能大会最佳论文奖（Best Paper Award），论文Face recognition using Intrinsicfaces被国际期刊Pattern Recognition评选为该刊2010年第二季度最热门的25篇文章之一（Top 25 Hottest Articles），排行第14。目前主要从事气动声学、机器学习等领域的研究工作。

沈杰，博士生，于2011年6月在上海交通大学数学系获得理学学士学位，多次获得学业优秀奖学金；2014年3月，在上海交通大学计算机系获得工学硕士学位，获得上海市优秀毕业生称号；从2013年8月至2014年4月，在新加坡国立大学视觉和机器学习实验室访问研究；从2014年4月开始，在USA Rutgers大学师从Ping Li教授攻读博士学位。主要研究人物姿势识别、物体识别、特征学习和凸优化理论，在凸优化理论的框架下，设计简单高效的算法。

张政，1983年2月生。2005年7月于空军第一航空学院获学士学位，于2007年12月获国防科学技术大学航天科学与工程学院获硕士学位，于2012年12月获南洋理工（Nanyang Technological University）计算机工程学院博士学位。2013年1月起在国防科学技术大学信息系统与管理学院任讲师。在IEEE Transactions on Multimedia、ICIP等国际期刊和会议上以第一作者发表论文近10篇。研究兴趣包括计算机视觉、图像处理、机器学习等。目前主要从事基于视觉的智能监控、巨量视频数据处理和分析等领域的研究工作。

谭筠，博士生，2007年毕业于国防科技大学机电工程与自动化学院，获工学学士学位。2010年暑期，在第一汽车集团公司短期交流学习，合作研制改进了新一代的导航辅助系统。2011年11月至2013年2月获中国国家留学基金委资助，在新加坡国立大学视觉研究组访问学习。研究领域为计算机视觉、模式识别和机器学习，主要研究无人驾驶车辆、汽车主动安全产品中的视觉感知问题。作为主要成员，获得了2011中国智能车未来挑战赛第一名，ICPR2012人类行为识别与定位大赛第一名等国内、国际奖项。在国际、国内主流会议上发表多篇学术论文，获得第十届中国智能机器人学术会议的优秀论文奖。作为项目骨干，参加了国家自然科学基金重大项目、973、863等多项国家重要研究课题。参与开发一系列的汽车主动安全产品，部分已经产业化。

胡俊，1985年6月生。2008年6月于湖南大学电气与信息工程学院获学士学位，2011年12月于国防科学技术大学电子科学与工程学院获硕士学位，并于2012年2月起在国防科学技术大学电子科学与工程学院攻读博士学位。研究兴趣包括信息信号处理、目标检测、识别与跟踪。

【目录】

绪论
第1讲 K-means
1.1 基本原理
1.2 算法改进
1.3 仿真实验
1.4 算法特点
第 2 讲 KNN学习
2.1 基本原理
2.2 算法改进
2.3 仿真实验
2.4 算法特点
第 3 讲 回归学习
3.1 基本原理
3.1.1 参数回归
3.1.2 非参数回归
3.1.3 半参数回归
3.2 算法改进
3.2.1 线性回归模型
3.2.2 多项式回归模型
3.2.3 主成分回归模型
3.2.4 自回归模型
3.2.5 核回归模型
3.3 仿真实验
3.3.1 回归学习流程
3.3.2 基于回归学习的直线边缘提取
3.3.3 基于回归学习的图像插值
3.4 算法特点
第 4 讲 决策树学习
4.1 基本原理
4.1.1 分类与聚类
4.1.2 决策树
4.1.3 信息增益的度量标准
4.1.4 信息增益度量期望的熵降低
4.1.5 悲观错误剪枝PEP
4.1.6 基本决策树算法
4.2 算法改进
4.2.1 ID3算法
4.2.2 C4.5算法
4.2.3 SLIQ算法
4.2.4 SPRINT算法
4.3 仿真实验
4.3.1 用于学习布尔函数的ID3算法伪代码
4.3.2 C4.5算法构造决策树的伪代码
4.4 算法特点
第 5 讲 Random Forest学习
5.1 基本原理
5.1.1 决策树
5.1.2 Bagging集成学习
5.1.3 Random Forest方法
5.2 算法改进
5.3 仿真实验
5.3.1 Random Forest分类与回归流程
5.3.2 Forest-RI和Forest-RC
5.3.3 基于Random Forest的头部姿态估计
5.4 算法特点
第 6 讲 贝叶斯学习
6.1 基本原理
6.2 算法改进
6.2.1 朴素贝叶斯模型
6.2.2 层级贝叶斯模型
6.2.3 增广贝叶斯学习模型
6.2.4 基于Boosting技术的朴素贝叶斯模型
6.2.5 贝叶斯神经网络模型
6.3 仿真实验
6.3.1 Learn_Bayse(X,V)
6.3.2 Classify_Bayse(X)
6.4 算法特点
第 7 讲 EM算法
7.1 基本原理
7.2 算法改进
7.2.1 EM算法的快速计算
7.2.2 未知分布函数的选取
7.2.3 EM算法收敛性的改进
7.3 仿真实验
7.3.1 EM算法流程
7.3.2 EM算法的伪代码
7.3.3 EM算法应用--高斯混合模型
7.4 算法特点
第 8 讲 Adaboost
8.1 基本原理
8.1.1 Boosting方法
8.1.2 Adaboost方法
8.2 算法改进
8.2.1 权值更新方法的改进
8.2.2 Adaboost并行算法
8.3 仿真实验
8.3.1 Adaboost算法实现流程
8.3.2 Adaboost算法示例
8.4 算法特点
8.4.1 Adaboost算法的优点
8.4.2 Adaboost算法的缺点
第 9 讲 SVM方法
9.1 基本原理
9.2 算法改进
9.3 仿真实验
9.4 算法特点
第 10 讲 增强学习
10.1 基本原理
10.2 算法改进
10.2.1 部分感知模型
10.2.2 增强学习中的函数估计
10.2.3 分层增强学习
10.2.4 多Agent增强学习
10.3 仿真实验
10.4 算法特点
第 11 讲 流形学习
11.1 算法原理
11.1.1 ISOMAP
11.1.2 LLE
11.1.3 LE
11.1.4 HE
11.2 算法改进
11.2.1 LPP
11.2.2 MFA
11.3 算法仿真
11.4 算法特点
第 12 讲 RBF学习
12.1 基本原理
12.1.1 基于RBF函数的内插方法
12.1.2 RBF神经网络
12.1.3 数据中心的计算方法
12.2 算法改进
12.2.1 针对完全内插问题的改进方法
12.2.2 针对不适定问题的改进方法
12.2.3 广义RBF神经网络
12.3 仿真实验
12.3.1 基于高斯函数的RBF学习
12.3.2 RBF学习算法流程
12.4 算法特点
第 13 讲 稀疏表示
13.1 基本原理
13.1.1 信号稀疏表示
13.1.2 贪婪求解算法
13.1.3 凸优化求解算法
13.2 算法改进
13.2.1 组合Lasso（Group Lasso）
13.2.2 混合Lasso（Fused Lasso）
13.2.3 弹性网络（Elastic net）
13.3 仿真实验
13.3.1 OMP算法
13.3.2 APG算法
13.3.3 基于稀疏表示的人脸识别
13.4 算法特点
13.4.1 算法优点
13.4.2 算法缺点
第 14 讲 字典学习
14.1 基本原理
14.2 算法改进
14.2.1 最优方向法（MOD）
14.2.2 K-SVD法
14.2.3 在线字典学习法
14.3 仿真实验
14.3 基于字典学习的视频图像降噪方法
14.4 算法特点
14.4.1 算法优点
14.4.2 算法缺点
第 15 讲 BP学习
15.1 基本原理
15.1.1 人工神经网络
15.1.2 BP学习原理
15.2 算法改进
15.2.1 改进学习速率
15.2.2 改进训练样本
15.2.3 改进损失函数
15.2.4 改进连接方式
15.3 仿真实验
15.4 算法特点
第 16 讲 CNN学习
16.1 基本原理
16.1.1 神经认知机模型
16.1.2 CNN算法思想
16.1.3 CNN网络结构
16.1.4 CNN网络学习
16.2 算法改进
16.2.1 设计新的卷积神经网络训练策略
16.2.2 使用GPU加速卷积运算过程
16.2.3 使用并行计算提高网络训练和测试速度
16.2.4 采用分布式计算提高网络训练和测试速度
16.2.5 硬件化卷积神经网络
16.3 仿真实验
16.3.1 卷积神经网络训练算法仿真
16.3.2 卷积神经网络实际应用实例
16.4 算法特点
16.4.1 算法优点
16.4.2 算法缺点
第 17 讲 RBM学习
17.1 基本原理
17.1.1 RBM学习思想
17.1.2 RBM模型基础
17.1.3 RBM模型学习
17.2 算法改进
17.2.1 方差RBM
17.2.2 均值方差RBM
17.2.3 稀疏RBM
17.2.4 稀疏组RBM
17.2.5 分类RBM
17.3 仿真实验
17.4 算法特点
17.4.1 算法优点
17.4.2 算法缺点
第 18 讲 深度学习
18.1 基本原理
18.2 算法改进
18.3 仿真实验
18.4 算法特点
第 19 讲 遗传算法
19.1 算法原理
19.2 算法改进
19.2.1 适应度函数设计
19.2.2 初始群体的选取
19.3 算法仿真
19.3.1 图像预处理
19.3.2 车牌特征选取
19.3.3 基于遗传算法的车牌定位
19.4 算法特点
19.4.1 遗传算法的优点
19.4.2 遗传算法的不足
第 20 讲 蚁群方法
20.1 基本原理
20.1.1 群智能
20.1.2 蚂蚁寻找食物源方法
20.1.3 蚁群算法的规则
20.1.4 蚁群算法的实现
20.2 算法改进
20.2.1 基于遗传学的改进蚁群算法
20.2.2 蚁群系统
20.2.3 精英蚁群系统
20.2.4 最大最小蚁群系统
20.2.5 排序蚁群系统
20.2.6 最优-最差蚂蚁系统
20.3 仿真实验
20.3.1 蚁群算法实例
20.3.2 蚁群算法实现流程
20.3.3 蚁群算法伪代码
20.4 算法特点