卷積神經(jīng)網(wǎng)絡(luò)與計(jì)算機(jī)視覺

定　價(jià)：￥99.00

作　者：	[澳] 薩爾曼·汗（Salman Khan）等著，黃智瀕戴志濤譯
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：	智能科學(xué)與技術(shù)叢書
標(biāo)　簽：	暫缺

購(gòu)買這本書可以去

京東 (￥99.00)

ISBN：	9787111622888	出版時(shí)間：	2019-04-01	包裝：	平裝
開本：	16開	頁數(shù)：	184	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書自成一體，如果你既想了解CNN的原理，又想獲得將CNN應(yīng)用于計(jì)算機(jī)視覺的一手經(jīng)驗(yàn)，那么本書將非常適合閱讀。書中對(duì)CNN進(jìn)行了全面介紹，首先是神經(jīng)網(wǎng)絡(luò)的基本概念：訓(xùn)練、正則化和優(yōu)化。然后討論了各種各樣的損失函數(shù)、網(wǎng)絡(luò)層和流行的CNN架構(gòu)，回顧了評(píng)價(jià)CNN的不同技術(shù)，并介紹了一些常用的CNN工具和庫(kù)。此外，本書還分析了CNN在計(jì)算機(jī)視覺中的應(yīng)用案例，包括圖像分類、對(duì)象檢測(cè)、語義分割、場(chǎng)景理解和圖像生成。

作者簡(jiǎn)介

　?。鹤髡吆?jiǎn)介：薩爾曼？汗（Salman Khan）澳大利亞國(guó)立大學(xué)講師，聯(lián)邦科學(xué)與工業(yè)研究組織（CSIRO）研究科學(xué)家。侯賽因？拉哈馬尼（Hossein Rahmani）西澳大利亞大學(xué)計(jì)算機(jī)科學(xué)與軟件工程學(xué)院研究員。賽義德？阿法克？阿里？沙（Syed Afaq Ali Shah）西澳大利亞大學(xué)計(jì)算機(jī)科學(xué)與軟件工程學(xué)院副研究員。穆罕默德？本納努恩（Mohammed Bennamoun）西澳大利亞大學(xué)教授，曾任計(jì)算機(jī)科學(xué)與軟件工程學(xué)院院長(zhǎng)。：譯者簡(jiǎn)介：黃智瀕北京郵電大學(xué)計(jì)算機(jī)學(xué)院講師，博士，主要研究方向?yàn)橛?jì)算機(jī)視覺和三維可視化。戴志濤北京郵電大學(xué)計(jì)算機(jī)學(xué)院教授，主要研究方向?yàn)樯疃葘W(xué)習(xí)加速器和嵌入式系統(tǒng)。

圖書目錄

譯者序
前言
致謝
作者簡(jiǎn)介
第1章簡(jiǎn)介
11什么是計(jì)算機(jī)視覺
111應(yīng)用案例
112圖像處理與計(jì)算機(jī)視覺
12什么是機(jī)器學(xué)習(xí)
121為什么需要深度學(xué)習(xí)
13本書概覽
第2章特征和分類器
21特征和分類器的重要性
211特征
212分類器
22傳統(tǒng)特征描述符
221方向梯度直方圖
222尺度不變特征變換
223加速健壯特征
224傳統(tǒng)的手工工程特征的局限性
23機(jī)器學(xué)習(xí)分類器
231支持向量機(jī)
232隨機(jī)決策森林
24總結(jié)
第3章神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
31引言
32多層感知機(jī)
321基礎(chǔ)架構(gòu)
322參數(shù)學(xué)習(xí)
33循環(huán)神經(jīng)網(wǎng)絡(luò)
331基礎(chǔ)架構(gòu)
332參數(shù)學(xué)習(xí)
34與生物視覺的關(guān)聯(lián)
341生物神經(jīng)元模型
342神經(jīng)元的計(jì)算模型
343人工神經(jīng)元與生物神經(jīng)元
第4章卷積神經(jīng)網(wǎng)絡(luò)
41引言
42神經(jīng)網(wǎng)絡(luò)層
421預(yù)處理
422卷積層
423池化層
424非線性
425全連接層
426轉(zhuǎn)置卷積層
427感興趣區(qū)域的池化層
428空間金字塔池化層
429局部特征聚合描述符層
4210空間變換層
43CNN損失函數(shù)
431交叉熵?fù)p失函數(shù)
432SVM鉸鏈損失函數(shù)
433平方鉸鏈損失函數(shù)
434歐幾里得損失函數(shù)
4351誤差
436對(duì)比損失函數(shù)
437期望損失函數(shù)
438結(jié)構(gòu)相似性度量
第5章CNN學(xué)習(xí)
51權(quán)重初始化
511高斯隨機(jī)初始化
512均勻隨機(jī)初始化
513正交隨機(jī)初始化
514無監(jiān)督的預(yù)訓(xùn)練
515澤維爾(Xavier)初始化
516ReLU敏感的縮放初始化
517層序單位方差
518有監(jiān)督的預(yù)訓(xùn)練
52CNN的正則化
521數(shù)據(jù)增強(qiáng)
522隨機(jī)失活
523隨機(jī)失連
524批量歸一化
525集成模型平均
5262正則化
5271正則化
528彈性網(wǎng)正則化
529最大范數(shù)約束
5210早停
53基于梯度的CNN學(xué)習(xí)
531批量梯度下降
532隨機(jī)梯度下降
533小批量梯度下降
54神經(jīng)網(wǎng)絡(luò)優(yōu)化器
541動(dòng)量
542涅斯捷羅夫動(dòng)量
543自適應(yīng)梯度
544自適應(yīng)增量
545RMSprop
546自適應(yīng)矩估計(jì)
55CNN中的梯度計(jì)算
551分析微分法
552數(shù)值微分法
553符號(hào)微分法
554自動(dòng)微分法
56通過可視化理解CNN
561可視化學(xué)習(xí)的權(quán)重
562可視化激活
563基于梯度的可視化
第6章CNN架構(gòu)的例子
61LeNet
62AlexNet
63NiN
64VGGnet
65GoogleNet
66ResNet
67ResNeXt
68FractalNet
69DenseNet
第7章CNN在計(jì)算機(jī)視覺中的應(yīng)用
71圖像分類
711PointNet
72目標(biāo)檢測(cè)與定位
721基于區(qū)域的CNN
722快速RCNN
723區(qū)域建議網(wǎng)絡(luò)
73語義分割
731全卷積網(wǎng)絡(luò)
732深度反卷積網(wǎng)絡(luò)
733DeepLab
74場(chǎng)景理解
741DeepContext
742從RGBD圖像中學(xué)習(xí)豐富的特征
743用于場(chǎng)景理解的PointNet
75圖像生成
751生成對(duì)抗網(wǎng)絡(luò)
752深度卷積生成對(duì)抗網(wǎng)絡(luò)
753超分辨率生成對(duì)抗網(wǎng)絡(luò)
76基于視頻的動(dòng)作識(shí)別
761靜止視頻幀的動(dòng)作識(shí)別
762雙流CNN
763長(zhǎng)期遞歸卷積網(wǎng)絡(luò)
第8章深度學(xué)習(xí)工具和庫(kù)
81Caffe
82TensorFlow
83MatConvNet
84Torch7
85Theano
86Keras
87Lasagne
88Marvin
89Chainer
810PyTorch
第9章結(jié)束語
91本書概要
92未來研究方向
術(shù)語表
參考文獻(xiàn)