計(jì)算機(jī)視覺(jué)：基于OpenCV與TensorFlow的深度學(xué)習(xí)方法

定　價(jià)：￥69.00

作　者：	余海林，翟中華著
出版社：	清華大學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

京東 (￥69.00)

ISBN：	9787302567431	出版時(shí)間：	2021-03-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	212	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書(shū)詳細(xì)講解基于OpenCV的傳統(tǒng)計(jì)算機(jī)視覺(jué)和以TensorFlow代碼為主的基于深度學(xué)習(xí)的計(jì)算機(jī)視覺(jué)。本書(shū)從基本的圖像特征開(kāi)始，包括顏色特征、幾何特征、局部特征、梯度特征，到圖像美化，再到傳統(tǒng)目標(biāo)檢測(cè)、光流與跟蹤等；繼而進(jìn)入深度學(xué)習(xí)部分，首先帶來(lái)深度學(xué)習(xí)的基本原理，然后是卷積神經(jīng)網(wǎng)絡(luò)的深入剖析，進(jìn)而闡述如何將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于計(jì)算機(jī)視覺(jué)的物體分類、目標(biāo)檢測(cè)等常見(jiàn)問(wèn)題上，最后介紹計(jì)算機(jī)視覺(jué)z新的GAN網(wǎng)絡(luò)。本書(shū)以非常簡(jiǎn)單的公式和原理解釋學(xué)習(xí)過(guò)程中遇到的問(wèn)題，通過(guò)大量精美的圖片讓讀者直觀感受計(jì)算機(jī)視覺(jué)的效果，深入理解計(jì)算機(jī)視覺(jué)的核心內(nèi)容。本書(shū)適合人工智能方向的大學(xué)本科生、研究生，以及初學(xué)者閱讀。對(duì)于有一定基礎(chǔ)和經(jīng)驗(yàn)的讀者，也能幫助他們查缺補(bǔ)漏，深入理解和掌握相關(guān)原理和方法，提高實(shí)際解決問(wèn)題的能力。

作者簡(jiǎn)介

　　余海林，清華大學(xué)數(shù)理基礎(chǔ)科學(xué)實(shí)驗(yàn)班畢業(yè)、美國(guó)加州大學(xué)洛杉磯分校（UCLA）計(jì)算機(jī)碩士畢業(yè)，AI火箭營(yíng)高級(jí)講師。有著扎實(shí)的數(shù)理基礎(chǔ)和計(jì)算機(jī)編程能力，曾獲得美國(guó)大學(xué)生數(shù)學(xué)建模大賽一等獎(jiǎng)。擅長(zhǎng)機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理等AI領(lǐng)域的前沿技術(shù)，參與過(guò)多個(gè)AI實(shí)踐項(xiàng)目。在AI火箭營(yíng)開(kāi)設(shè)多門(mén)課程，累計(jì)學(xué)習(xí)人次超過(guò)10萬(wàn)，講課風(fēng)格嚴(yán)謹(jǐn)而幽默、深刻且易懂，深受廣大學(xué)員的認(rèn)可。翟中華，清華大學(xué)碩士畢業(yè)，北京洪策元?jiǎng)?chuàng)智能科技有限公司CEO，AI火箭營(yíng)首席講師。在機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理等人工智能領(lǐng)域有扎實(shí)的理論基礎(chǔ)和豐富的應(yīng)用實(shí)踐經(jīng)驗(yàn)。主講的課程“深度學(xué)習(xí)入門(mén)系列講解”“PyTorch深度學(xué)習(xí)實(shí)戰(zhàn)”等累計(jì)學(xué)員約30萬(wàn)人次，講課風(fēng)格抽絲剝繭、深入淺出、以簡(jiǎn)馭繁，能夠把復(fù)雜的原理簡(jiǎn)單化，把簡(jiǎn)單的原理內(nèi)涵化，深受廣大學(xué)員的認(rèn)可。

圖書(shū)目錄

目錄

第1章機(jī)器看世界

1.1計(jì)算機(jī)眼里的圖像

1.2計(jì)算機(jī)視覺(jué)的起源

1.2.1馬爾計(jì)算視覺(jué)

1.2.2主動(dòng)和目的視覺(jué)

1.2.3多視幾何和分層三維重建

1.2.4基于學(xué)習(xí)的視覺(jué)

1.3計(jì)算機(jī)視覺(jué)的難點(diǎn)

1.4深度學(xué)習(xí)的起源

1.5基于深度學(xué)習(xí)的計(jì)算機(jī)視覺(jué)

1.5.1研究方向

1.5.2未來(lái)發(fā)展

第2章傳統(tǒng)圖像處理之OpenCV的妙用

2.1OpenCV安裝

2.2OpenCV模塊

2.3OpenCV數(shù)據(jù)存取

2.4OpenCV圖像基本操作

2.4.1OpenCV圖像縮放

2.4.2OpenCV圖像裁剪

2.4.3OpenCV圖像旋轉(zhuǎn)

2.5從攝像頭讀取

2.6矩陣操作

第3章傳統(tǒng)圖像處理之尋找特征

3.1顏色特征

3.1.1RGB顏色空間

3.1.2HIS顏色空間

3.1.3HSV顏色空間

3.1.4顏色直方圖

3.1.5OpenCV圖像色調(diào)，對(duì)比度變化

3.2幾何特征

3.2.1邊緣特征

3.2.2角點(diǎn)

3.2.3斑點(diǎn)

3.3局部特征

3.3.1SIFT算法

3.3.2SURF算法

3.4代碼實(shí)戰(zhàn)：圖像匹配

第4章傳統(tǒng)圖像處理之圖像美化

4.1添加圖形與文字

4.2圖像美白

4.3圖像修復(fù)與去噪

4.4圖像輪廓

4.5圖像金字塔

4.6代碼實(shí)戰(zhàn)：圖像融合

第5章傳統(tǒng)圖像處理之相機(jī)模型

5.1相機(jī)模型

5.1.1針孔相機(jī)模型

5.1.2射影幾何

5.2透鏡

5.3透鏡畸變

第6章傳統(tǒng)圖像處理之目標(biāo)檢測(cè)

6.1OpenCV中的機(jī)器學(xué)習(xí)

6.1.1機(jī)器學(xué)習(xí)簡(jiǎn)介

6.1.2OpenCV機(jī)器學(xué)習(xí)數(shù)據(jù)流

6.1.3OpenCV機(jī)器學(xué)習(xí)算法

6.2基于支持向量機(jī)的目標(biāo)檢測(cè)與識(shí)別

6.2.1詞袋算法

6.2.2隱式支持向量機(jī)算法

6.3基于樹(shù)方法的目標(biāo)檢測(cè)與識(shí)別

6.4代碼實(shí)戰(zhàn)：人臉識(shí)別

6.5傳統(tǒng)圖像總結(jié)

第7章深度學(xué)習(xí)初識(shí)

7.1深度學(xué)習(xí)基礎(chǔ)

7.2正向傳播、反向傳播算法

7.3非線性激活函數(shù)

7.4Dropout正則化方法

7.5GPU加速運(yùn)算

第8章基于深度學(xué)習(xí)的計(jì)算機(jī)視覺(jué)之卷積神經(jīng)網(wǎng)絡(luò)

8.1卷積神經(jīng)網(wǎng)絡(luò)基本架構(gòu)

8.1.1卷積層

8.1.2池化層

8.1.3全連接層

8.1.4Softmax激活函數(shù)

8.1.5交叉熵?fù)p失

8.2AlexNet結(jié)構(gòu)詳解

8.3卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)

第9章基于深度學(xué)習(xí)的計(jì)算機(jī)視覺(jué)之TensorFlow

9.1TensorFlow的起源

9.2TensorFlow基礎(chǔ)知識(shí)

9.2.1安裝

9.2.2圖計(jì)算

9.2.3TensorFlow 2.0

9.2.4張量

9.2.5tf.data

9.2.6可視化

9.2.7模型存取

9.2.8Keras接口

9.2.9神經(jīng)網(wǎng)絡(luò)搭建

9.3代碼實(shí)戰(zhàn)：手寫(xiě)數(shù)字

第10章基于深度學(xué)習(xí)的計(jì)算機(jī)視覺(jué)之目標(biāo)識(shí)別

10.1目標(biāo)識(shí)別的概念

10.2構(gòu)建數(shù)據(jù)集的方法

10.3搭建神經(jīng)網(wǎng)絡(luò)

10.4訓(xùn)練及效果評(píng)估

10.5解決過(guò)擬合

10.6數(shù)據(jù)增強(qiáng)

10.7遷移學(xué)習(xí)

第11章基于深度學(xué)習(xí)的計(jì)算機(jī)視覺(jué)之兩階段目標(biāo)檢測(cè)

11.1什么是目標(biāo)檢測(cè)

11.2目標(biāo)檢測(cè)的難點(diǎn)

11.3目標(biāo)檢測(cè)的基礎(chǔ)知識(shí)

11.3.1候選框

11.3.2交并比

11.3.3非極大值抑制

11.3.4傳統(tǒng)目標(biāo)檢測(cè)基本流程

11.4目標(biāo)檢測(cè)效果評(píng)估

11.5二階段算法： RCNN類網(wǎng)絡(luò)

11.5.1RCNN網(wǎng)絡(luò)

11.5.2Fast RCNN網(wǎng)絡(luò)

11.5.3Faster RCNN網(wǎng)絡(luò)

11.6代碼實(shí)戰(zhàn)

第12章基于深度學(xué)習(xí)的計(jì)算機(jī)視覺(jué)之階段目標(biāo)檢測(cè)

12.1YOLO網(wǎng)絡(luò)

12.1.1YOLO起源

12.1.2YOLO原理

12.1.3YOLOv2原理

12.1.4YOLOv3原理

12.1.5YOLO應(yīng)用

12.2SSD網(wǎng)絡(luò)

12.3代碼實(shí)戰(zhàn)：車牌識(shí)別

第13章人臉識(shí)別：傳統(tǒng)方法VS深度學(xué)習(xí)

13.1人臉識(shí)別技術(shù)的歷史

13.2人臉識(shí)別技術(shù)的發(fā)展前景

13.3人臉識(shí)別技術(shù)主要流程

13.3.1人臉識(shí)別的主要流程

13.3.2人臉識(shí)別的主要方法

13.3.3人臉識(shí)別的技術(shù)指標(biāo)

13.4深度學(xué)習(xí)方法

13.5人臉識(shí)別的挑戰(zhàn)

第14章基于深度學(xué)習(xí)的計(jì)算機(jī)視覺(jué)：生成模型

14.1自動(dòng)編碼器

14.1.1去噪自動(dòng)編碼器

14.1.2變分自動(dòng)編碼器

14.2風(fēng)格遷移

14.3GAN網(wǎng)絡(luò)

參考文獻(xiàn)