計算機視覺入門到實踐

定　價：￥69.00

作　者：	[印] 阿布辛納夫·達和奇（Abhinav Dadhich）著，連曉峰譯
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥56.90)

ISBN：	9787111662297	出版時間：	2020-12-01	包裝：	平裝
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　本書是你了解計算機視覺的一站式指南。利用Python、TensorFlow、Keras和OpenCV的功能執(zhí)行圖像處理、對象檢測、特征檢測等項目。通過對卷積神經(jīng)網(wǎng)絡(luò)的介紹，你將學(xué)習(xí)如何使用Keras構(gòu)建深度神經(jīng)網(wǎng)絡(luò)，以及如何使用它對Fashion-MNIST數(shù)據(jù)集進行分類。關(guān)于對象檢測，你將學(xué)習(xí)到使用TensorFlow實現(xiàn)簡單的面部檢測器，以及復(fù)雜的基于深度學(xué)習(xí)的對象檢測器（例如Faster R-CNN和SSD）的工作原理。你也將學(xué)會使用FCN模型進行語義分割，并使用DeepSORT跟蹤對象。不僅如此，你還將學(xué)習(xí)到在標準數(shù)據(jù)集上使用視覺SLAM（vSLAM）技術(shù)，例如ORB-SLAM。本書適合希望以*實際的方式理解和實現(xiàn)與計算機視覺和圖像處理相關(guān)的各種任務(wù)的機器學(xué)習(xí)從業(yè)人員和深度學(xué)習(xí)學(xué)習(xí)者閱讀。

作者簡介

　　關(guān)于作者 Abhinav Dadhich是東京ABEJA公司的一名深度學(xué)習(xí)方面的研究以及應(yīng)用開發(fā)人員。其專注于為圖像分類、目標檢測、分割等計算機視覺應(yīng)用設(shè)計深度學(xué)習(xí)模型，并且目前將全部精力都傾注在理解和復(fù)現(xiàn)人類視覺系統(tǒng)的研究與實現(xiàn)上。而此前，其一直致力于三維地圖構(gòu)建和機器人導(dǎo)航領(lǐng)域。Dadhich畢業(yè)于印度IIT Jodhpur學(xué)院，獲得電子工程學(xué)士學(xué)位，并在日本NAIST大學(xué)獲得信息科學(xué)碩士學(xué)位。在GitHub專欄為多個主題提供注釋和代碼。關(guān)于譯者連曉峰，博士，北京理工大學(xué)模式識別與智能系統(tǒng)專業(yè)畢業(yè)?，F(xiàn)任北京工商大學(xué)副教授，研究生導(dǎo)師。中國自動化學(xué)會機器人競賽工作委員會委員、中國教育發(fā)展戰(zhàn)略學(xué)會人工智能與機器人教育專業(yè)委員會理事、中國人工智能學(xué)會高級會員、中國電子學(xué)會高級會員等。目前從事復(fù)雜系統(tǒng)建模與優(yōu)化控制、智能機器人、模式識別與智能系統(tǒng)、智能感知與機器學(xué)習(xí)、工業(yè)先進控制等教學(xué)與科學(xué)研究工作。

圖書目錄

第1章　計算機視覺快速入門
1.1　什么是計算機視覺
1.2　計算機視覺無處不在
1.3　入門
1.3.1　讀取圖像
1.3.2　圖像顏色轉(zhuǎn)換
1.4　計算機視覺研究的相關(guān)會議
1.5　小結(jié)
第2章　庫、開發(fā)平臺和數(shù)據(jù)集
2.1　庫及其安裝方法
2.1.1　安裝Anaconda
2.1.2　安裝OpenCV
2.1.3　用于深度學(xué)習(xí)的TensorFlow
2.1.4　用于深度學(xué)習(xí)的Keras
2.2　數(shù)據(jù)集
2.2.1　ImageNet
2.2.2　MNIST
2.2.3　CIFAR-10
2.2.4　Pascal VOC
2.2.5　MSCOCO
2.2.6　TUM RGB-D數(shù)據(jù)集
2.3　小結(jié)
參考文獻
第3章　OpenCV中的圖像濾波和變換
3.1　數(shù)據(jù)集和庫
3.2　圖像處理
3.3　濾波器概述
3.3.1　線性濾波器
3.3.2　非線性濾波器
3.3.3　圖像梯度
3.4　圖像變換
3.4.1　平移
3.4.2　旋轉(zhuǎn)
3.4.3　仿射變換
3.5　圖像金字塔
3.6　小結(jié)
第4章　什么是特征
4.1　特征用例
4.1.1　數(shù)據(jù)集和庫
4.1.2　為何特征如此重要
4.2　Harris角點檢測
4.2.1　FAST特征
4.2.2　ORB特征
4.2.3　黑箱特征
4.2.4　應(yīng)用—在圖像中檢測目標對象
4.2.5　應(yīng)用—是否相似
4.3　小結(jié)
參考文獻
第5章　卷積神經(jīng)網(wǎng)絡(luò)
5.1　數(shù)據(jù)集和庫
5.2　神經(jīng)網(wǎng)絡(luò)簡介
5.2.1　一個簡單的神經(jīng)網(wǎng)絡(luò)
5.3　重溫卷積運算
5.4　卷積神經(jīng)網(wǎng)絡(luò)
5.4.1　卷積層
5.4.2　激活層
5.4.3　池化層
5.4.4　全連接層
5.4.5　批歸一化
5.4.6　退出
5.5　CNN 實踐
5.5.1　Fashion-MNIST 分類器訓(xùn)練代碼
5.5.2　CNN 分析
5.5.3　遷移學(xué)習(xí)
5.6　小結(jié)
第6章基于特征的目標檢測
6.1　目標檢測概述
6.2　目標檢測挑戰(zhàn)
6.3　數(shù)據(jù)集和庫
6.4　目標檢測方法
6.4.1　基于深度學(xué)習(xí)的目標檢測
6.5　小結(jié)
參考文獻
第7章　分割和跟蹤
7.1　數(shù)據(jù)集和庫
7.2　分割
7.2.1　分割挑戰(zhàn)
7.2.2　用于分割的CNN
7.2.3　FCN的實現(xiàn)
7.3　跟蹤
7.3.1　跟蹤挑戰(zhàn)
7.3.2　目標跟蹤方法
7.4　小結(jié)
參考文獻
第8章　三維計算機視覺
8.1　數(shù)據(jù)集和庫
8.2　應(yīng)用
8.3　成像原理
8.4　圖像對齊
8.5　視覺里程計
8.6　視覺SLAM
8.7　小結(jié)
參考文獻
第9章　計算機視覺中的數(shù)學(xué)
9.1　數(shù)據(jù)集和庫
9.2　線性代數(shù)
9.2.1　向量
9.2.2　矩陣
9.2.3　Hessian矩陣
9.2.4　奇異值分解
9.3　概率論簡述
9.3.1　什么是隨機變量
9.3.2　期望
9.3.3　方差
9.3.4　概率分布
9.3.5　聯(lián)合分布
9.3.6　邊緣分布
9.3.7　條件分布
9.3.8　貝葉斯定理
9.4　小結(jié)
第10章　計算機視覺中的機器學(xué)習(xí)
10.1　什么是機器學(xué)習(xí)
10.2　機器學(xué)習(xí)技術(shù)分類
10.2.1　監(jiān)督式學(xué)習(xí)
10.2.2　無監(jiān)督式學(xué)習(xí)
10.3　維度災(zāi)難
10.4　機器學(xué)習(xí)的滾球視角
10.5　常用工具
10.5.1　預(yù)處理
10.5.2　后處理
10.6　評估
10.6.1　準確率
10.6.2　召回率
10.6.3　F-分數(shù)
10.7　小結(jié)